Mg における転位密度相関と溶質の影響を機械学習する

Jun 09, 2023

Scientific Reports volume 13、記事番号: 11114 (2023) この記事を引用

1194 アクセス

7 オルトメトリック

メトリクスの詳細

マグネシウム合金は、最も軽量な構造材料の 1 つであり、軽量用途の優れた候補です。 しかし、強度と延性が比較的低いため、産業用途は依然として限られています。 固溶体合金化は、比較的低濃度で Mg の延性と成形性を向上させることが示されています。 亜鉛溶質は非常にコスト効率が高く、一般的です。 しかし、溶質の添加が延性の向上につながる固有のメカニズムについては、依然として議論の余地があります。 ここでは、データサイエンスアプローチによる粒内特性のハイスループット解析を使用して、多結晶MgおよびMg-Zn合金における転位密度の変化を研究します。 機械学習技術を適用して、合金化前後および変形前/後の試料の後方散乱電子回折（EBSD）像を比較し、個々の粒子のひずみ履歴を抽出し、合金化後および変形後の転位密度レベルを予測します。 比較的小さなデータセット (\(\sim\) 5000 サブミリメートル粒子) で中程度の予測 (決定係数 \(R^2\) が 0.25 ～ 0.32 の範囲) がすでに達成されていることを考えると、私たちの結果は有望です。

結晶材料の塑性変形は、多くの長さスケールの問題です。 転位コアの原子レベルからメソスケールの集団転位ダイナミクス、そして最終的には多結晶の粒界ダイナミクスに至るまで、転位メカニズムは機械的および物理的特性を決定します。 単結晶 hcp マグネシウムでは、基底滑り機構と非基底滑り機構の間の相互作用により、強度と延性が低くなり、可能な用途が制限されます。 しかし、マグネシウムは軽量であることが魅力であるため、合金化によって Mg ベースの材料の強度と延性を向上させることが強く求められています 1。

一方、マテリアルズインフォマティクスは、先端材料の研究と設計における新たなパラダイムとなっています2、3、4。 データ サイエンスと機械学習ツールは、たとえば、ターゲットの機械的特性に関して Mg ベースの合金の最適な組成を実験的に探索することを促進できます 5,6。 より一般的には、この定量的な観点から、微細構造と局所的な転位密度の進化についてのより多くの洞察が得られます 7,8。 多結晶では、機械学習により応力応答 9,10,11 から双晶核形成 12,13,14 に至る粒子ごとの特性の予測が可能になり、最近では粒状構造のグラフベースの表現が期待できるようになりました 11,15,16。

Mg ベース合金の延性と強度を向上させるためには、機械的特性を決定する正確なメカニズムを把握することが不可欠です。 これに関連して、この記事は、先進金属における機械的応答の重要な要素である転位密度の進化の理解に向けたデータサイエンスのアプローチを推進します。 私たちは、一般的な実験プロトコルがどのように進行するかに関して、このデータサイエンスのアプローチを追求します。 この目的のために、純粋な Mg と、図 1 に示されている多結晶 Mg-Zn 合金 (2wt.% Zn) サンプルの EBSD 画像を比較します。これらのサンプルは、もともと 17 で紹介されました (サンプル調製の詳細とともに)。 犬の骨の形をしたサンプルの最終サイズは \(\sim 3\,\)mm の厚さと \(10\,\) mm のゲージ長で、EBSD 画像は約 \(1.0 \times 0.7\) の領域をカバーしていました。 mm\(^2\) で、純マグネシウムと合金のサンプルにはそれぞれ約 4000 個と 6000 個の初期粒子があります。 両方のサンプルの平均粒子サイズは類似しており、\(\およそ 13\, \upmu m\) でした。 また、サンプルは 10% のひずみまで変形され、変形後に低解像度の EBSD 画像が生成され、合計 4 つのクラスの EBSD 画像が生成されました。これは、この研究の核心です。

真ひずみ速度 \(10^{-3}\) s\(^{-1}\) での引張試験の前後で 2 つのサンプルの転位密度と粒界特性を解析し、約 \(10 \％\） 歪み。 弾性ひずみがゼロの死後サンプルを観察していることに注目してください。 研究の目的は 2 つあります。第 1 に、測定された転位密度から単一粒子のひずみ履歴を推定することです 18、19、20。 そして第二に、変形と合金化の複合効果による、粒レベルでの転位密度の変化の予測を定式化することです21,22。 特に後者は、加工硬化に大きな影響を与える可能性のある転位密度ホットスポットを解読するのに不可欠です。 ただし、低解像度の EBSD 画像にアクセスできるのは少数であるため、より詳細な実装は将来の作業に残されますが、私たちの研究の範囲は、前述のデータ サイエンス アプローチの可能性を示すことです。