用卷积神经网络预测微观结构中的空洞形核
材料科学
2025-09-15 v1
摘要
在高应变率载荷下延性材料中的空洞形核仍然是一个关键但难以捉摸的现象。理解空洞形核的传统方法通常依赖于实验和分子动力学，无法捕捉导致空洞形核的潜在因素。在本研究中，开发了一种卷积神经网络，特别是带有注意力门的 U-Net，用于预测原始钽微观结构中的空洞形核概率。该方法利用多通道输入，包含四个晶粒取向通道和一个通过晶格匹配方法计算的晶界能通道。空洞形核概率场由事后显微照片确定并作为真实标签，在像素级区分空洞与无空洞区域。此类图像中常见的像素级类别不平衡问题通过使用 Focal loss 来解决，以引导网络训练更有效地预测空洞形核位点。该模型不仅预测了与真实标签一致的空洞形核位点，还揭示了其他潜在的空洞形核位点，捕捉了空洞形核的随机性质。本研究表明，基于 CNN 的模型可以在考虑晶界能和晶粒取向等因素的综合相互作用下预测空洞形核位点。通过这种方式，机器学习可以作为理解导致空洞形核的潜在因素的手段，从而有助于对延性材料中由于层裂导致的破坏的基本理解。
引用
@article{arxiv.2509.09938,
title = {Predicting void nucleation in microstructure with convolutional neural networks},
author = {Abhijith Thoopul Anantharanga and Jackson Plummer and Saryu Fensin and Brandon Runnels},
journal= {arXiv preprint arXiv:2509.09938},
year = {2025}
}