基于表面多晶性图的图神经网络预测钢纳米硬度
材料科学
2022-12-22 v1 其他凝聚态物理
摘要
作为块体力学性能，多晶金属中的纳米级硬度强烈依赖于微观结构特征，这些特征被认为深受多晶性的复杂特征影响——即单个晶粒取向与相邻晶粒属性。我们训练了一个图神经网络（GNN）模型，以每个晶粒中心位置作为图节点，仅基于由电子背散射衍射图捕获的表面多晶性，来评估纳米压痕低碳 310S 不锈钢（含 Ni 和 Cr 合金）表面的微机械响应的可预测性。晶粒尺寸分布介于 m 之间，平均晶粒尺寸为 m。该 GNN 模型在一组由纳米压痕测试获得的纳米力学载荷-位移曲线上训练，随后仅以晶粒位置和取向为输入，用于预测不同深度下的纳米硬度。模型训练基于约 个硬度测量的次标准集合，取得了总体令人满意的性能。我们探究了模型性能及其对各种结构/拓扑晶粒级描述符（如晶粒尺寸和最近邻数量）的依赖性。类似的 GNN 模型框架可用于快速、低成本的硬度估计，以指导详细的纳米压痕实验，类似于世界探索时代制图工具的发展。
引用
@article{arxiv.2212.10948,
title = {Prediction of steel nanohardness by using graph neural networks on surface polycrystallinity maps},
author = {Kamran Karimi and Henri Salmenjoki and Katarzyna Mulewska and Lukasz Kurpaska and Anna Kosińska and Mikko Alava and Stefanos Papanikolaou},
journal= {arXiv preprint arXiv:2212.10948},
year = {2022}
}