81、数字多相材料微观结构的生成与应用

数字多相材料微观结构的生成与应用

1. 研究背景与目标

在材料科学领域，利用机器学习预测增材制造过程中材料的微观结构是一个重要的研究方向。人工神经网络（ANN）可以利用训练数据学习已知输入和理想输出之间的联系，并为控制它们的数学运算分配适当的权重因子。训练深度学习算法来预测微观结构时，可以采用机器学习方法，如随机森林、卷积神经网络，包括深度卷积生成对抗网络（DCGAN），以区分图像、识别微观结构中的形态，并建立与导致该微观结构的参数之间的联系。

本研究的总体目标是通过泊松 - 沃罗诺伊（PV）镶嵌生成数字多晶微观结构，并最终直接使用这些图像来训练人工智能代码。训练好的人工智能算法旨在直接处理实际的微观图像，并进行结构 - 属性关联分析。

2. 方法

2.1 PV 镶嵌原理

PV 镶嵌可以有效地生成多个数字微观结构，这些结构是训练人工智能算法所必需的。它从位于平面壁内的泊松点构建一系列单元结构，这些平面壁垂直于连接相邻点的线，最终用凸多晶集填充代表体积。泊松点是通过一个随机化的数学对象创建的，该对象由位于定义空间内的随机点组成。这种表示在使用蒙特卡罗研究进行二维或三维有限元建模时，可以模拟多晶的随机微观结构。

值得注意的是，PV 镶嵌的计算成本相对较低。例如，使用 20MB RAM 和 2.40GHz Intel® Xeon® 处理器，平均每单位体积 0.5 个晶粒的 100 个晶粒可以在 43 秒内创建。

一个用于多晶生成和网格划分的开源软件工具 NEPER® 使用 PV 镶嵌来定义具有 4 - 36 个面的晶粒的无限多种三维形态，每个晶粒可以有 3 - 16 条边。NEPER® 利用 Gms