基于深度学习时间序列模型的多晶体材料晶粒生长预测
机器学习
2025-11-18 v1 材料科学
人工智能
计算工程、金融与科学
摘要
晶粒生长显著影响材料的力学行为，其预测是显微结构工程中的关键目标。本研究评估了多种深度学习方法，包括循环神经网络（RNN）、长短期记忆网络（LSTM）、时间卷积网络（TCN）和Transformer模型，用于预测晶粒生长过程中晶粒尺寸分布的演变。不同于计算密集的全场仿真，本文依赖从高保真仿真中提取的均值场统计描述符。处理120个晶粒生长序列，构建归一化的随时间变化的晶粒尺寸分布数据集。模型采用递归预测策略，从短暂的历史数据预测未来分布。经测试，LSTM网络实现了最高的准确率（超过90%），并表现出最稳定的性能，能够在延长的时间范围内保持物理一致的预测，同时将计算时间从约20分钟/序列缩短至仅几秒；而其他模型在预测更长时间范围时倾向于发散。这些结果凸显了低维描述符和基于LSTM的预测在高效且准确的显微结构预测方面的潜力，对于数字孪生体的开发和工艺优化具有直接意义。
引用
@article{arxiv.2511.11630,
title = {Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models},
author = {Eliane Younes and Elie Hachem and Marc Bernacki},
journal= {arXiv preprint arXiv:2511.11630},
year = {2025}
}