基于机器学习的双相钢高强韧性构型微观组织最优性研究
计算工程、金融与科学
2024-10-15 v1
摘要
本研究开发了一个逆向分析框架，用于提出一种能实现双相（DP）钢高强度和高韧性的微观组织构型。本文提出的逆向分析方法通过生成式对抗网络（GAN）生成微观组织图像，以及卷积神经网络（CNN）预测DP钢微观组织的最大应力和工作极限应变，来构建模型。GAN使用由相场方法生成的DP钢微观组织图像进行训练。CNN使用DP钢微观组织图像、由位错晶体塑性有限元法计算得到的最大应力和工作极限应变进行训练。由于GAN的潜变量构成低维搜索空间，该构建的框架使得高效搜索微观组织成为可能。该框架考虑了多个变形模式，允许在复杂变形模式下探索所需的微观组织。通过使用所开发的框架，我们提出了一种采用细小晶粒尺寸的微观组织。
引用
@article{arxiv.2405.01689,
title = {Investigation on optimal microstructure of dual-phase steel with high strength and ductility by machine learning},
author = {Misato Suzuki and Kazuyuki Shizawa and Mayu Muramatsu},
journal= {arXiv preprint arXiv:2405.01689},
year = {2024}
}
备注
27 pages, 23 figures