Génération de microstructures synthétiques contenant des défauts de coulée : une approche d'apprentissage automatique

Rapports scientifiques volume 13, Numéro d'article : 11852 (2023) Citer cet article

877 Accès

1 Altmétrique

Détails des métriques

Cet article présente une nouvelle stratégie pour générer des échantillons synthétiques contenant des défauts de coulée. Quatre échantillons d'Inconel 100 contenant des défauts de coulée tels que des retraits et des pores ont été caractérisés par tomographie aux rayons X et sont utilisés comme référence pour cette application. Les retraits sont connus pour être de forme tortueuse et plus préjudiciables aux propriétés mécaniques des matériaux, notamment à la fatigue des métaux, alors que les pores peuvent être de deux types : des pores de retrait brisés de forme arbitraire et des pores gazeux de forme sphérique. Pour la génération d'échantillons synthétiques, un module intégré d'analyse de modèles de points spatiaux (SPP) et des techniques d'apprentissage en profondeur telles que les réseaux contradictoires génératifs (GAN) et les réseaux de neurones convolutifs (CNN) sont utilisés. L'analyse SPP décrit les distributions spatiales des défauts de coulée dans l'espace matériel, tandis que les GAN et les CNN génèrent un défaut de morphologie arbitraire très proche des défauts réels. L'analyse SPP révèle l'existence de deux mécanismes différents de nucléation des vides lors de la solidification du métal associés aux retraits et aux pores. Notre modèle d'apprentissage profond génère avec succès des défauts de coulée d'une taille de défaut allant de 100 µm à 1,5 mm et de formes très réalistes. L'ensemble du processus de génération de microstructures synthétiques respecte les statistiques globales de défauts des échantillons de référence et les échantillons générés sont validés par comparaison statistique avec des échantillons réels.

Les matériaux coulés présentent souvent des défauts formés lors de la solidification du métal. Ces défauts peuvent avoir un impact sérieux sur les propriétés du matériau dont l'ampleur dépend de diverses caractéristiques microstructurales et de défauts. Certains des défauts qui peuvent apparaître dans les matériaux coulés sont les retraits, les pores, les films d'oxyde, etc.1,2,3. Les retraits sont de grandes cavités tortueuses formées en raison de la contraction du métal en fusion lors de la solidification, tandis que les pores et les microvides sont de plus petite taille et se forment généralement en raison des gaz piégés. Ces défauts de cavité peuvent dégrader considérablement les performances du matériau en favorisant l’initiation et la propagation de fissures provoquées par la concentration des contraintes4,5,6,7. L'intensité de cette dégradation dépend de diverses caractéristiques du défaut telles que sa taille, sa position et sa morphologie8 : on sait que la durée de vie en fatigue varie inversement par rapport à la taille du défaut, une relation démontrée par le diagramme de Kitagawa-Takahashi9,10. Il est également connu que la localisation des défauts joue un rôle très important dans la fatigue cyclique élevée (HCF)10,11. Les fissures provenant de défauts plus proches de la surface libre se propagent plus rapidement que celles provenant de défauts internes, étant donné la différence entre leurs facteurs d'intensité de contrainte (SIF)1. De plus, une morphologie tortueuse des défauts peut augmenter considérablement la concentration des contraintes, facilitant ainsi l’initiation des fissures. Certaines des caractéristiques indépendantes qui peuvent caractériser les morphologies des défauts sont la sphéricité, le rapport hauteur/largeur, etc.8. Bien que ces caractéristiques puissent induire une grande dispersion dans la durée de vie en fatigue, le problème devient encore plus compliqué dans les matériaux contenant des niveaux de porosité élevés, ce qui entraîne la formation d'amas de défauts12. Dans les défauts groupés, outre les caractéristiques individuelles des défauts, ils sont également influencés par les gradients de contraintes des défauts voisins. Ces défauts peuvent parfois être retrouvés dans des pièces de fonderie aéronautique comme les disques et aubes de turbine, et ont reçu beaucoup moins d'attention dans le domaine mécanique. L'analyse de toutes les caractéristiques susceptibles d'affecter la durée de vie en fatigue nécessite de tester un grand nombre d'échantillons, ce qui peut être extrêmement coûteux. Par conséquent, une approche plausible consiste à générer des microstructures synthétiques très proches de la réalité qui peuvent être simulées numériquement pour créer une grande base de données de réponse mécanique à la présence de défauts, leur morphologie et leur distribution spatiale.

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>

Nouvelles

Génération de microstructures synthétiques contenant des défauts de coulée : une approche d'apprentissage automatique