Geração de microestruturas sintéticas contendo defeitos de fundição: uma abordagem de aprendizado de máquina

Scientific Reports volume 13, Artigo número: 11852 (2023) Citar este artigo

877 acessos

1 Altmétrico

Detalhes das métricas

Este artigo apresenta uma nova estratégia para gerar amostras sintéticas contendo defeitos de fundição. Quatro amostras de Inconel 100 contendo defeitos de fundição, como retrações e poros, foram caracterizadas por tomografia de raios X e são utilizadas como referência para esta aplicação. As retrações são conhecidas por terem formato tortuoso e mais prejudiciais às propriedades mecânicas dos materiais, especialmente à fadiga do metal, enquanto os poros podem ser de dois tipos: poros de retração quebrados com formato arbitrário e poros gasosos de formato esférico. Para a geração de amostras sintéticas, são utilizados um módulo integrado de análise de Spatial Point Pattern (SPP) e técnicas de aprendizagem profunda como Redes Adversariais Generativas (GANs) e Redes Neurais Convolucionais (CNNs). A análise SPP descreve as distribuições espaciais dos defeitos de fundição no espaço material, enquanto GANs e CNNs geram um defeito de morfologia arbitrária muito próximo dos defeitos reais. A análise SPP revela a existência de dois mecanismos diferentes de nucleação de vazios durante a solidificação do metal associados a retrações e poros. Nosso modelo de aprendizagem profunda gera com sucesso defeitos de fundição com tamanhos de defeito variando de 100 µm a 1,5 mm e de formatos muito realistas. Todo o processo de geração de microestrutura sintética respeita as estatísticas globais de defeitos das amostras de referência e as amostras geradas são validadas por comparação estatística com amostras reais.

Os materiais fundidos geralmente apresentam defeitos formados durante a solidificação do metal. Esses defeitos podem ter um sério impacto nas propriedades do material, cuja magnitude depende de diversas características microestruturais e do defeito. Alguns dos defeitos que podem aparecer em materiais fundidos são retrações, poros, filmes de óxido, etc.1,2,3. As retrações são grandes cavidades tortuosas formadas devido à contração do metal fundido durante a solidificação, enquanto os poros e microvazios são menores em tamanho e geralmente são formados devido a gases aprisionados. Esses defeitos de cavidade podem degradar drasticamente o desempenho do material, promovendo o início e a propagação de trincas impulsionadas pela concentração de tensão . A intensidade dessa degradação depende de várias características do defeito, como tamanho, posição e morfologia8: sabe-se que a vida em fadiga varia inversamente em relação ao tamanho do defeito, relação demonstrada pelo diagrama de Kitagawa-Takahashi9,10. Sabe-se também que a localização do defeito desempenha um papel muito proeminente na fadiga de alto ciclo (HCF)10,11. Trincas iniciadas em defeitos mais próximos da superfície livre se propagam mais rapidamente quando comparadas àquelas iniciadas em defeitos internos, dada a diferença em seus fatores de intensidade de tensão (SIF)1. Além disso, uma morfologia tortuosa de defeitos pode aumentar drasticamente a concentração de tensões, facilitando o início de fissuras. Algumas das características independentes que podem caracterizar morfologias de defeitos são esfericidade, proporção de aspecto, etc.8. Embora essas características possam induzir uma grande dispersão na vida em fadiga, o problema fica ainda mais complicado em materiais contendo altos níveis de porosidade, o que resulta na formação de aglomerados de defeitos . Em defeitos agrupados, além das características individuais dos defeitos, eles também são influenciados pelos gradientes de tensão dos defeitos vizinhos. Esses defeitos às vezes podem ser encontrados em peças de fundição aeronáutica, como discos e pás de turbinas, e têm recebido muito menos atenção no domínio mecânico. A análise de todas as características que podem afetar a vida em fadiga requer o teste de um grande número de amostras, o que pode ser extremamente caro. Portanto, uma abordagem plausível é gerar microestruturas sintéticas muito próximas da realidade que possam ser simuladas numericamente para criar um grande banco de dados de resposta mecânica à presença de defeitos, sua morfologia e distribuição espacial.

K_{Poisson}(d)\), the pattern is said to be clustered and vice versa./p>K_{Poisson}(d)\), the points are said to be attracting or clustered and vice versa. From Fig. 2a, strong clustering effects are seen in short distance ranges (\(K(d)>K_{Poisson}(d)\)) and dispersion in large ranges (\(K(d) K_{Poisson}\)) due to the interaction between two processes. It is however important to note that the clustering effects at all \(\theta < 0.4\) mm for \(K_{11}\) and \(K_{12}\) functions are not caused by the same effect. In these functions, defects larger that \(\theta\) are included in the calculations i.e., for example, at a \(\theta\) of 0.1 mm, \(K_{11}\) function is measured for all defects larger than 0.1 mm. Therefore, in these functions the clustering effect for lower \(\theta\) values is induced by the larger defects. Finally, with the knowledge of existence of two processes and the interaction between them as described by bivariate K-functions, Neyman–Scott process can be used to generate such an in-homogenous point pattern. In this process, the parent events or defects are distributed homogeneously in the material space and children defects are distributed around the parent defects41. Shrinkages or defects larger than 0.4 mm typically found in the defect cluster are the parent defects whilst the pores are children defects./p> 0.4 mm) and the other for pores (defects\(< \theta =\)0.4 mm). \(\theta\) here is the threshold parameter as determined via SPP analysis. Since the number of shrinkages and pores were insufficient to train the network, a rigorous data augmentation step was carried out to increase the database size. The individual defect volumes were randomly rotated in 3D with angle bounds of \(-45\deg\) to \(+45\deg\), flipped and inverted in the data augmentation step. All defects were then resized to a fixed size of \(64\times 64\times 32\) voxels for shrinkages and \(32\times 32\times 32\) voxels for the pores before training the adversarial networks. The resizing of images is done by applying a zero order interpolation function \(Image_{resized}=D(Image)\) where D is the interpolation function. To maintain the balance between generator and discriminator networks, the generator is updated twice per each update of discriminator. Furthermore, adding a small noise to the labels of discriminator has shown to improve the training of the adversarial network. The adversarial and discriminator loss balance out after as less as 5 epochs and the model would be trained within 60 epochs./p> 0.4 mm) act as parent defects and pores (defects < 0.4 mm) as children events. Contrary to traditional method, a mixed Gaussian distribution defined on the axis of the sample is used to distribute shrinkages (parent defects) in material space. A mixed gaussian distribution is then applied, the number of clusters k being randomly selected from a normal distribution with mean \(\mu _{k}\) and variance \(\sigma _{k}\) computed from the reference samples whilst the weights \(\pi _{k}\) are randomly attributed to each Gaussian distribution such that their sum equals unity. Each Gaussian of this GMM acts as seeds for the nucleation of primary and subordinate clusters. Shrinkages are placed in the material where their planar co-ordinates (radial positions) are randomly chosen whilst their position along the axis is extracted randomly from the mixed Gaussian distribution. The process generates a random \(K_{11}\) function similar to those of reference samples./p>

Notícias

Geração de microestruturas sintéticas contendo defeitos de fundição: uma abordagem de aprendizado de máquina