相变固体中化学-力学的关联图像学习
材料科学
2022-05-18 v1
摘要
本构定律构成了自然界中大多数物理过程的基础。然而，在异质固体（例如由于相分离）中学习此类方程具有挑战性。其中一个关系是成分与本征应变之间的关系，它控制着固体中的化学-力学膨胀。在这项工作中，我们开发了一个可推广的、受物理约束的图像学习框架，从关联的四维扫描透射电子显微镜和 X 射线谱叠层成像图像中，在纳米尺度算法化地学习化学-力学本构定律。我们在具有技术相关性的电池正极材料 LiFePO 上展示了该方法。我们在整个成分范围（0 X 1）内，包括热力学不稳定的混溶间隙内部，揭示了这一两相二元固体中成分-本征应变关系的函数形式。所学关系直接在纳米尺度验证了 Vegard 线性响应定律。我们这种受物理约束的数据驱动方法通过去除成分应变与共格应变，直接可视化残余应变场，而这是以往无法定量的。残余应变中的异质性源于错配位错，并通过 X 射线衍射线形分析独立验证。我们的工作提供了同时量化电池电极中化学膨胀、共格应变与位错的手段，这对倍率性能与寿命具有意义。广泛而言，该工作也凸显了整合关联显微镜与图像学习以提取材料性质与物理规律的潜力。
引用
@article{arxiv.2107.06192,
title = {Correlative image learning of chemo-mechanics in phase-transforming solids},
author = {Haitao D. Deng and Hongbo Zhao and Norman L. Jin and Lauren Hughes and Benjamin Savitzky and Colin Ophus and Dimitrios Fraggedakis and András Borbély and Young-Sang Yu and Eder Lomeli and Rui Yan and Jueyi Liu and David A. Shapiro and Wei Cai and Martin Z. Bazant and Andrew M. Minor and William C. Chueh},
journal= {arXiv preprint arXiv:2107.06192},
year = {2022}
}