ИСТИНА

Теоретическое исследование процесса эволюции микроструктуры и сопутствующего изменения среднего размера и распределения зерен в чистых ГЦК металлах и алюминиево-медных сплавах. Создание быстрого эмулятора физического процесса эволюции микроструктуры на основе методов машинного обучения, который предсказывает как средний размер зерен, так и эволюцию микроструктуры в целом при различных видах нагружения в широком диапазоне температур.

The microstructure of metals and alloys, namely the distribution of grain boundaries in the material and the average grain size, significantly determines the strength, mechanical properties of the material, the course of plastic deformation. This is due to the wide development of grain boundary engineering method in the last 10 years, both in steels and FCC metals. It is possible to obtain metal materials with specified properties using the engineering of grain boundaries: more durable or plastic, with greater resistance to the nucleation of cracks and pores, which is important, for example, in cyclic deformations. The main goal of the project is to develop the emulator based on machine learning methods to describe the evolution of microstructure in pure FCC metals and aluminum-copper alloys. It is possible to quickly assess the evolution of the average grain size or microstructure in the process of various types of deformation in the temperature range from 100 to 700 K and deformation rates of 10^{4}-10^{8} 1/s using the emulator. A trained machine learning model will work much faster than numerical modeling. Comparisons in scientific articles with crystal plasticity methods or phase field methods show a gain in about 3 orders of calculation time for trained machine learning models. The project involves the study of various architectures of neural networks to more accurately describe the process of microstructure evolution: (1) The use of the combined model of convolutional and recurrent layers, where the convolutional layers convert and reduce the input data, and the recurrent part describes the dynamic system. (2) Using downsizing methods, such as PCA, Isomap or UMAP instead of convolutional neural network layers to process input data and use only the recurrent neural network based on data obtained from PCA, Isomap or UMAP. The scientific novelty of the project consists in the proposed approach of describing the modeling of microstructure in pure FCC metals and aluminum-copper alloys using the integrated application of machine learning methods. Data for training, validation and test of neural networks will be taken from the numerical modeling of a multi-level model, in which the substance is described within the framework of the continuum mechanics, and the microstructure by the method of cellular automata. This code is implemented by the head in the process of execution of the previous grant of the Russian Science Foundation. The model of dislocation plasticity has also been added, thanks to which the accumulation of defects in grains is taken into account, which also significantly affects the processes of evolution of the microstructure. Verification of the proposed machine learning model will be carried out by comparison with existing experimental data.

В 2024-2025 годах: p1.1 Данные численного моделирования из многоуровневой модели, где эволюция зеренной структуры вычисляется методом клеточных автоматов, а эволюция дислокационной подструктуры из модели дислокационной пластичности для одноосной и двухосной деформации и высокоскоростного соударения пластин и цилиндра с ударником для чистых ГЦК алюминия и меди при скоростях деформации 10^{4}-10^{8} 1/с и температурах от 100 до 700 K. p1.2 Данные численного моделирования из многоуровневой модели, где эволюция зеренной структуры вычисляется методом клеточных автоматов, а эволюция дислокационной подструктуры из модели дислокационной пластичности для одноосной и двухосной деформации и высокоскоростного соударения пластин и цилиндра с ударником для кристалла алюминия с твердым раствором атомов меди (2 и 5 ат.%) при скоростях деформации 10^{4}-10^{8} 1/с и температурах от 100 до 700 K. p1.3 Данные численного моделирования из многоуровневой модели, где эволюция зеренной структуры вычисляется методом клеточных автоматов, а эволюция дислокационной подструктуры из модели дислокационной пластичности для одноосной и двухосной деформации и высокоскоростного соударения пластин и цилиндра с ударником для кристалла алюминия упрочненного наноразмерными медными кластерами при скоростях деформации 10^{4}-10^{8} 1/с и температурах от 100 до 700 K. В 2025-2026 годах: p2.1 Наборы данных для обучения, валидации и теста нейронных сетей из пунктов 2.2-2.4, которые предсказывают средний размер зерна, микроструктуру и распределения зерен в материале. p2.2 Архитектуры сетей из пунктов 2.5-2.7, которые показывают лучшую точность на всех наборах данных. В которых определены глубина сети, ширина слоев и тип функций активации в рекуррентный ячейках; размер ядра, количество слоев свертки и количество слоев пула для сверточных нейронных сетей; метод понижения размерности из вариантов PCA, Isomap или UMAP. Построенные корреляционные кривые на тренировочных, валидационных и тестовых наборах данных. p2.3 Результаты обученных нейронных сетей для траекторий деформации аналогичных экспериментальным литературным данным и сравнение результатов архитектур сетей из p2.2 с экспериментальными данными.

Руководитель проекта занимался исследованиями упруго-пластического отклика металлов и сплавов методами классической молекулярной динамики, дискретной дислокационной динамики, континуального моделирования, машинного обучения. Проведенные исследования затрагивают дислокационную и зернограничную пластичность, формулировку уравнения состояния в упругой и пластической области путём обучения искусственной нейронной сети (ИНС) на основе данных молекулярно-динамического моделирования различных траекторий деформации. Путем атомистического и континуального моделирования исследованы законы движения дефектов кристаллической структуры с учетом локального распределения напряжений: движение краевых дислокаций в твердом растворе атомов меди и в алюминиевом сплаве упрочнённом наноразмерными медными кластерами, малоугловых границ зерен в чистых металлах. Для исследования пластической деформаций материала на макроскопическом уровне используется код дислокационной динамики собственной разработки. На его основе получены законы движения дислокаций в алюминиево-медном сплаве, которые применяются в макроскопической модели деформации кристалла алюминия с наноразмерными кластерами, что позволяет проводить сравнение с экспериментальными данными. Руководитель также занимался исследованием упруго-пластического отклика пористых сред: на основе данных молекулярно-динамических расчётов деформации металлической ячейки с порой различной формы и диаметра, определено уравнение состояния пористой среды в упругой и пластической области с учетом начальной пористости материала и формы пор с помощью ИНС прямого распространения. Также руководитель исследовал энергию границ зерен наклона и поворота в чистом алюминии для плоскости границ (110) для температур от 100 до 700 K на основе данных молекулярно динамического моделирования и описал анизатропную функцию энергии границ зерен от разориентировки зерен и температуры в виде искусственной нейронной сети с нелинейными функциями активации в скрытых слоя.

Основным результатом выполнения проекта будет является разработка эмулятора на основе методов машинного обучения для описания эволюции микроструктуры в чистых ГЦК металлах и алюминиево-медных сплавах. С использованием эмулятора можно достаточно быстро оценить эволюцию среднего размера зерна или микроструктуры в целом в процессе различных типов деформации в диапазоне температур от 100 до 700 K и скоростей деформаций 10^{4}-10^{8} 1/с. В результате выполнения проекта будут получены следующие конкретные результаты: 1. Данные численного моделирования из многоуровневой модели, где эволюция зеренной структуры вычисляется методом клеточных автоматов, а эволюция дислокационной подструктуры из модели дислокационной пластичности для одноосной и двухосной деформации и высокоскоростного соударения пластин и цилиндра с ударником для чистых ГЦК алюминия и меди, кристалла алюминия с твердым раствором атомов меди (2 и 5 ат.%), кристалла алюминия упрочненного наноразмерными медными кластерами при скоростях деформации 10^{4}-10^{8} 1/с и температурах от 100 до 700 K. 2. Обученные искусственные нейронные сети для описания эволюции среднего размера зерна в процессе деформации 3. Обученные искусственные нейронные сети для описания эволюции микроструктуры в виде изображения или структурной схемы в процессе деформации 4. Программный комплекс для обучения моделей машинного обучения и обработки данных реализованный на языке программирования для научных вычислений Julia. Обработка данных включает в себя как стандартизацию и нормализацию данных, так и уменьшение размеренности данных и cоответвующий перевод начальных массивов данных микроструктуры в латентные переменные (методами PCA, Isomap, UMAP). Обучение включает два метода для получения максимальной точности: алгоритмом с адаптивный скоростью обучения Adam, где скорость обучения оцениваться по истории первого и второго моментов градиента функции стоимости, и алгоритмом Левенберга-Марквардта. Все планируемые результаты соответствуют мировому уровню исследований. По результатам работы проекта планируется опубликовать серию из 3 статей в ведущих международных и отечественных журналах.