基于图工作流从中尺度实验提取晶粒尺度韧性
材料科学
2021-08-31 v1
摘要
我们引入一种新颖的机器学习计算框架，旨在有限中尺度实验数据集上的简短训练后计算材料韧性。这一由三部分组成的计算框架依赖于图神经网络的能力，利用可从中尺度断裂实验获得的有限规模数据集，对微尺度材料韧性进行高精度预测。我们分析了框架各组件的功能，但重点在于该神经网络的能力。研究了网络训练所需的最小数据集规模。结果表明，该算法利用限于 200–300 个晶粒的裂纹路径轨迹进行网络训练，在微尺度层面预测裂纹扩展阻力方面具有高效率。所提框架的优势在于，只需基于无需复杂或繁琐测量的实验数据进行的有限额外训练，便可提升其在不同材料体系中的性能。主要目标是开发一种高效计算工具，以研究广泛的材料微观结构特性并探究其对材料韧性的影响。
引用
@article{arxiv.2108.12783,
title = {A graph based workflow for extracting grain-scale toughness from meso-scale experiments},
author = {Stylianos Tsopanidis and Shmuel Osovski},
journal= {arXiv preprint arXiv:2108.12783},
year = {2021}
}