Computational Studies of Crystal Plasticity and Intelligent Material Design

Abstract

Plastisuus on kiteisten materiaalien olennainen ilmiö, joka määrää suuren osan niiden mekaanisista ominaisuuksista. Se on lähes aina seurausta dislokaatioiden liikkeestä sekä vuorovaikutuksista niiden ja muiden kidevirheiden välillä. Suurten dislokaatiosysteemien monimutkaisuus tekee niiden tutkimisesta haastavaa, ja niihin liittyvien tutkimusongelmien ratkaisemiseen on kehitetty monia laskennallisia menetelmiä. Uudet tekniikat liittyen koneoppimiseen ja optimointiin mahdollistavat entistä perusteellisemman tavan tehdä plastisuuteen liittyvää tutkimusta.

Tässä työssä tutkitaan plastisia ilmiöitä dislokaatiosysteemeissä soveltamalla uusia tekniikoita, kuten neuroverkkoja ja optimointimenetelmiä. Vallitseva käsitys on, että kun kiteisten materiaalien muotoa muutetaan kohdistamalla niihin ulkoisia voimia, siitä seuraava mekaaninen vaste ei ole täysin ennustettavissa. Tämän käsityksen testaamiseksi voima-venymä–käyrän arvoja sekä jännityspurkauksia yritetään ennustaa uusilla koneoppimismenetelmillä suoraan alkutilan mikrorakenteesta. Tulosten perusteella voima-venymä–käyriä on mahdollista ennustaa melko hyvin, vaikkakin yksityiskohtaisia kohtia on hankala ennustaa tarkasti. Jännitys-purkausten ennustamistulokset viittavat siihen, että ne tosiaan olisivat luontaisesti mahdottomia ennustaa, kuten vallitsevat teoriat ovat esittäneet.

Presipitaattien hyödylliset vaikutukset mekaanisiin ominaisuuksiin voidaan maksimoida optimoimalla niihin liittyvät mikrorakenteelliset ominaisuudet, kuten niiden kokojakauma. Bayes-optimointi osoitetaan tehokkaaksi tällaisten optimointiongelmien ratkaisemiseen, kunhan reunaehtojen käsittely ja otantaprosessi tehdään oikein. Tulevissa optimointiongelmissa on tavoitteena optimoida myös presipitaattien muotoja, ja tätä varten kehitetään uusi tapa mallintaa presipitaatteja dislokaatiodynamiikkasimulaatioissa, jonka toimivuus varmennetaan tekemällä vertailuja molekyylidynamiikkasimulaatioista saatujen tulosten kanssa.

Plasticity is an important property of crystalline materials that determines many mechanical characteristics, and it is nearly always mediated by the movement of dislocations and their mutual interactions and other structural defects. The complexity of the large dislocation networks makes them challenging to study, and computational methods have been one useful way for tackling related research problems. Advancements in other areas of methodology, like machine learning and optimization, allow researchers to delve deeper into the topic of plasticity by incorporating new research methods.

In this work, various research related to dislocation systems is carried out to study plastic phenomena in new ways by applying various techniques, like novel machine learning methods and optimization algorithms. The plastic response of a crystal to external loading is typically not considered to be completely predictable. This claim is put to test in attempts to predict various response characteristics, like the stress-strain curve and the distribution of strain bursts, with machine learning methods by knowing only the initial structure of the material. The results suggest that stress-strain curves can be predicted with a relatively high accuracy, but finer details related to strain bursts are usually not captured well, and that strain bursts seem to be inherently unpredictable, which is in agreement with current theories.

The beneficial effects of precipitates can be maximized by optimizing properties related to them, such as their size distribution. The Bayesian optimization method is demonstrated to perform well in solving such optimization problems, given that constraints and the sampling process are handled well. More complicated problems could involve shape optimization, and in anticipation of those, a new precipitate model for discrete dislocation dynamics simulations is developed and validated by comparing against molecular dynamics simulation data.