基于深度学习的双相钢三维损伤表征
材料科学
2023-03-13 v1
摘要
具有多相微观结构的高性能薄板金属在成形过程中会在组成相内部、更重要的是在相交界处发生变形诱导损伤。为了在三维(3D)空间中捕捉损伤的物理过程及其在变形过程中的随机性，仍有两项挑战亟待解决：第一，将高分辨率分析拓展至大尺度以纳入统计数据；第二，在大尺度下以适用于亚微米级孔洞的分辨率进行三维表征。在此，我们展示了如何利用全景扫描电子显微镜(SEM)、金相连续截面法以及深度学习辅助的自动图像分析来实现这一目标。这将数千个独立损伤位点的活跃损伤机制的三维演化与体积及环境信息结合在一起。我们还评估了二维分析中的潜在表面制备伪影。总体而言，我们发现对于本文所研究的材料——双相(DP800)钢，马氏体开裂是变形诱导损伤的主要但非唯一来源，并且在损伤密度的定量比较中，金相制备可能引入额外的表面损伤密度，远超单向拉伸步骤之间通常诱导产生的损伤密度。
引用
@article{arxiv.2303.05869,
title = {Three-Dimensional Damage Characterisation in Dual Phase Steel using Deep Learning},
author = {Setareh Medghalchi and Ehsan Karimi and Sang-Hyeok Lee and Benjamin Berkels and Ulrich Kerzel and Sandra Korte-Kerzel},
journal= {arXiv preprint arXiv:2303.05869},
year = {2023}
}