深度学习与晶体塑性：一种用于精确取向演化预测的预处理方法
材料科学
2021-12-22 v1
摘要
数据驱动模型对塑性的高效精确预测依赖于恰当的数据准备和良好设计的模型。此处我们引入一种基于无监督机器学习的数据准备方法，以最大化变形过程中晶体取向演化数据的可训练性。对于Taylor模型晶体塑性数据，该预处理过程将人工神经网络的测试分数从0.831提升至0.999，同时将训练迭代次数降低一个数量级。该方法的效能通过循环神经网络得到进一步提升。将轧制过程中晶体旋转的Electron backscattered (EBSD)实验测量与代理模型结果进行比较，尽管Taylor模型简化假设引入了误差，仍观察到代理模型与实验间非常合理的一致性。我们的方法为进一步的数据驱动研究奠定基础，能够从实验和模拟的晶体塑性结果中高效精确地预测织构演化。
引用
@article{arxiv.2106.12730,
title = {Deep Learning and Crystal Plasticity: A Preconditioning Approach for Accurate Orientation Evolution Prediction},
author = {Peyman Saidi and Hadi Pirgazi and Mehdi Sanjari and Saeed Tamimi and Mohsen Mohammadi and Laurent K. Beland and Mark R. Daymond and Isaac Tamblyn},
journal= {arXiv preprint arXiv:2106.12730},
year = {2021}
}
备注
15 pages, 6 figures