基于降解意识和机器学习驱动的晶体塑性有限元不确定性量化：面向316L不锈钢的纹理驱动塑性
应用统计
2025-05-27 v1 材料科学
摘要
晶体材料的机械性能和长期结构可靠性受晶粒尺寸、形貌和结晶纹理等微观特征的强烈影响。这些特征不仅决定初始机械行为，还支配在服务条件下，如应变局部化、疲劳损伤和微裂纹萌生等降解机制的演进。由制造过程引入或通过服务中演化的这些微观属性的可变性，导致材料性能的不确定性。因此，理解和量化微观结构敏感的塑性变形对于评估高价值机械系统的降解风险至关重要。本研究提出了一种首创性的机器学习驱动框架，将高保真晶体塑性有限元（CPFE）仿真与数据驱动的代理模型耦合，以加速316L焊接结构合金中面向降解的不确定性量化。具体而言，考察了通过高通量电子背scatter射线（EBSD）表征的316L不锈钢焊接部位的结晶纹理可变性，通过在已校准的代表性体积单元（RVE）上进行CPFE仿真。随后训练基于多项式粗糙度展开的代理模型，以仅需200次仿真高效模拟CPFE响应，相较于传统蒙特卡罗分析可降低计算成本数个数量级。该代理模型实现了对应力-应变行为不确定性的快速量化，并识别出Cube和Goss等纹理组成为主导降解相关塑性响应的关键因素。
引用
@article{arxiv.2505.18891,
title = {Degradation-Aware and Machine Learning-Driven Uncertainty Quantification in Crystal Plasticity Finite Element: Texture-Driven Plasticity in 316L Stainless Steel},
author = {Dinesh Kumar and Eralp Demir and Julio Spadotto and Kazuma Kobayashi and Syed Bahauddin Alam and Brian Connolly and Ed Pickering and Paul Wilcox and David Knowles and Mahmoud Mostafavi},
journal= {arXiv preprint arXiv:2505.18891},
year = {2025}
}