利用模拟与实测微观数据对晶粒尺度各向异性弹性行为的图神经网络建模
材料科学
2022-09-01 v2
摘要
本文评估了图神经网络（GNNs）在预测多晶金属合金晶粒尺度弹性响应方面的适用性。以面心立方和密排六方合金为例，使用 GNN 代理模型预测了低固溶高难熔（LSHR）镍基高温合金和 Ti 7wt%Al（Ti-7Al）在单轴弹性拉伸过程中的晶粒平均应力。采用迁移学习方法，先利用晶体弹性有限元方法（CEFEM）模拟训练 GNN 代理模型，再将训练好的代理模型用于预测通过高能 X 射线衍射显微术（HEDM）测量的微观结构的力学响应。通过与传统的平均场理论预测、保留的全场 CEFEM 数据以及远场 HEDM 实测数据进行比较，探究了将不同微观结构和微力学描述符作为 GNN 输入节点特征时的性能表现。讨论了弹性各向异性对 GNN 模型性能的影响以及该框架的扩展前景。
引用
@article{arxiv.2205.06324,
title = {Graph Neural Network Modeling of Grain-scale Anisotropic Elastic Behavior using Simulated and Measured Microscale Data},
author = {Darren C. Pagan and Calvin R. Pash and Austin R. Benson and Matthew P. Kasemer},
journal= {arXiv preprint arXiv:2205.06324},
year = {2022}
}