Scientific Reports 13권, 기사 번호: 11852(2023) 이 기사 인용
877번의 접속
1 알트메트릭
측정항목 세부정보
이 논문에서는 주조 결함이 포함된 합성 샘플을 생성하는 새로운 전략을 제시합니다. 수축 및 기공과 같은 주조 결함을 포함하는 Inconel 100 샘플 4개를 X선 단층촬영을 사용하여 특성화했으며 이 응용 분야의 참고 자료로 사용합니다. 수축은 모양이 비뚤어지고 재료의 기계적 특성, 특히 금속 피로에 더 해로운 것으로 알려져 있는 반면, 기공은 두 가지 유형이 있습니다. 임의의 모양을 가진 부서진 수축 기공과 구형의 기체 기공입니다. 합성 샘플 생성에는 SPP(Spatial Point Pattern) 분석 통합 모듈과 GAN(Generative Adversarial Networks), CNN(Convolutional Neural Networks)과 같은 딥러닝 기술이 사용됩니다. SPP 분석은 재료 공간에서 주조 결함의 공간 분포를 설명하는 반면, GAN과 CNN은 실제 결함에 매우 가까운 임의 형태의 결함을 생성합니다. SPP 분석은 수축 및 기공과 관련된 금속 응고 중 두 가지 서로 다른 공극 핵 생성 메커니즘의 존재를 보여줍니다. 우리의 딥 러닝 모델은 100μm에서 1.5mm 사이의 결함 크기와 매우 현실적인 모양의 주조 결함을 성공적으로 생성합니다. 전체 합성 미세구조 생성 프로세스는 참조 샘플의 전체 결함 통계를 존중하며 생성된 샘플은 실제 샘플과 통계적으로 비교하여 검증됩니다.
주조 재료에는 금속 응고 중에 형성된 결함이 있는 경우가 많습니다. 이러한 결함은 다양한 미세 구조 및 결함 특성에 따라 크기가 달라지는 재료 특성에 심각한 영향을 미칠 수 있습니다. 주조 재료에 나타날 수 있는 결함 중 일부는 수축, 기공, 산화막 등입니다.1,2,3. 수축은 응고 과정에서 용융 금속의 수축으로 인해 형성되는 크고 구불구불한 공동이며, 기공 및 미세 공극은 크기가 더 작고 일반적으로 갇혀 있는 가스로 인해 형성됩니다. 이러한 공동 결함은 응력 집중4,5,6,7에 의해 유발된 균열의 시작 및 전파를 촉진하여 재료 성능을 크게 저하시킬 수 있습니다. 이러한 열화의 강도는 크기, 위치 및 형태와 같은 다양한 결함 특성에 따라 달라집니다8. 피로 수명은 결함 크기에 따라 반비례하는 것으로 알려져 있으며, 이는 Kitagawa-Takahashi 다이어그램9,10에서 입증된 관계입니다. 또한 결함 위치는 고주기 피로(HCF)10,11에서 매우 중요한 역할을 하는 것으로 알려져 있습니다. 자유 표면에 더 가까운 결함에서 시작되는 균열은 응력 강도 계수(SIF)1의 차이를 고려할 때 내부 결함에서 시작되는 균열과 비교할 때 더 빠르게 전파됩니다. 더욱이, 결함의 구불구불한 형태는 응력 집중을 급격하게 증가시켜 균열 발생을 촉진할 수 있습니다. 결함 형태를 특징짓는 독립적인 특징 중 일부는 구형성, 종횡비 등입니다.8. 이러한 특성으로 인해 피로 수명이 크게 분산될 수 있지만, 결함 클러스터가 형성되는 높은 다공성 수준을 포함하는 재료에서는 문제가 훨씬 더 복잡해집니다. 클러스터된 결함에서는 결함의 개별 특징 외에도 인접한 결함의 응력 구배에 의해 영향을 받습니다. 이러한 결함은 때때로 터빈 디스크 및 블레이드와 같은 항공 주조 부품에서 발견될 수 있으며 기계 영역에서는 훨씬 덜 주목을 받았습니다. 피로 수명에 영향을 미칠 수 있는 모든 특징을 분석하려면 많은 수의 샘플을 테스트해야 하므로 비용이 매우 많이 들 수 있습니다. 따라서 그럴듯한 접근 방식은 결함의 존재, 형태 및 공간 분포에 대한 기계적 반응에 대한 대규모 데이터베이스를 생성하기 위해 수치적으로 시뮬레이션할 수 있는 현실에 매우 가까운 합성 미세 구조를 생성하는 것입니다.
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>
한국어
English
Français
Deutsch
Español
Italiano
Português
日本語
Русский