Mg의 기계 학습 전위 밀도 상관 관계 및 용질 효과

Jun 09, 2023

Scientific Reports 13권, 기사 번호: 11114(2023) 이 기사 인용

1194 액세스

7 알트메트릭

측정항목 세부정보

가장 가벼운 구조 재료 중 마그네슘 합금은 경량 응용 분야에 탁월한 후보입니다. 그러나 상대적으로 낮은 강도와 ​​연성으로 인해 산업적 응용이 제한되어 있습니다. 고용체 합금은 상대적으로 낮은 농도에서 Mg 연성 및 성형성을 향상시키는 것으로 나타났습니다. Zn 용질은 상당히 비용 효율적이고 일반적입니다. 그러나 용질의 첨가가 연성을 향상시키는 본질적인 메커니즘은 여전히 ​​논란의 여지가 있습니다. 여기서는 데이터 과학 접근법을 통한 입계 특성의 높은 처리량 분석을 사용하여 다결정 Mg 및 Mg-Zn 합금의 전위 밀도의 진화를 연구합니다. 합금 전/후 및 변형 전/후 샘플의 전자 후방 산란 회절(EBSD) 이미지를 비교하여 개별 입자의 변형 이력을 추출하고 합금 후 및 변형 후 전위 밀도 수준을 예측하는 데 기계 학습 기술을 적용합니다. 상대적으로 작은 데이터 세트(\(\sim\) 5000 서브밀리미터 그레인)를 사용하여 적당한 예측(0.25에서 0.32 범위의 결정 계수 \(R^2\))이 이미 달성되었다는 점을 고려하면 우리의 결과는 유망합니다.

결정질 재료의 소성 변형은 다양한 길이 규모의 문제입니다. 전위 코어의 원자 수준부터 중규모 집단 전위 역학, 궁극적으로 다결정의 결정립계 역학에 이르기까지 전위 메커니즘은 기계적 및 물리적 특성을 결정합니다. 단결정 hcp 마그네슘에서는 기저 슬립 메커니즘과 비기저 슬립 메커니즘 사이의 상호 작용으로 인해 강도와 연성이 낮아져 적용 가능성이 제한됩니다. 그러나 마그네슘의 무게가 가볍기 때문에 합금을 통해 Mg 기반 재료의 강도와 연성을 향상시키는 것이 중요합니다1.

한편, 재료 정보학은 고급 재료 연구 및 설계에서 새로운 패러다임이 되었습니다2,3,4. 예를 들어 데이터 과학 및 기계 학습 도구는 목표 기계적 특성5,6과 관련하여 Mg 기반 합금의 최적 조성에 대한 실험적 검색을 촉진할 수 있습니다. 보다 일반적으로 이러한 정량적 관점은 미세 구조 및 국부 전위 밀도 진화에 대한 더 많은 통찰력을 제공할 수 있습니다7,8. 다결정에서 기계 학습을 통해 응력 반응9,10,11에서 쌍핵 생성12,13,14까지 입자별 특성을 예측할 수 있으며 최근에는 세분화된 구조의 그래프 기반 표현이 가능성을 보여주었습니다.

Mg 기반 합금의 연성 및 강도를 향상시키기 위해서는 기계적 특성을 결정하는 정확한 메커니즘을 포착하는 것이 필수적입니다. 이러한 맥락에서 이 기사에서는 고급 금속의 기계적 반응의 핵심 구성 요소인 전위 밀도 진화를 이해하기 위한 데이터 과학 접근 방식을 장려합니다. 우리는 일반적인 실험 프로토콜이 어떻게 진행되는지와 관련하여 이러한 데이터 과학 접근 방식을 추구합니다. 이를 위해 우리는 원래 17에서 소개된(샘플 준비 세부 사항과 함께) 그림 1에 묘사된 순수 Mg와 다결정 Mg-Zn 합금(2wt.% Zn) 샘플의 EBSD 이미지를 비교합니다. 개뼈 모양 샘플의 최종 크기는 \(\sim 3\,\)mm 두께와 \(10\,\)mm 게이지 길이를 가지며 EBSD 이미지는 약 \(1.0 \times 0.7\)의 영역을 차지합니다. 순수 Mg 및 합금 샘플에서 각각 약 4000 및 6000개의 초기 입자를 갖는 mm\(^2\)입니다. 두 샘플의 평균 입자 크기는 \(\대략 13\, \upmu m\)으로 비슷했습니다. 또한 샘플은 10% 변형률로 변형되었으며 변형 후 저해상도 EBSD 이미지가 생성되어 이 작업의 조사 핵심인 총 4개 클래스의 EBSD 이미지가 생성되었습니다.

우리는 \(10^{-3}\)s\(^{-1}\)의 실제 변형률을 사용하여 인장 시험 전후의 두 샘플에서 결정립계 특성과 함께 전위 밀도를 분석하여 대략 \(10 \%\) 부담. 탄성 변형이 0인 상태에서 사후 샘플을 살펴봅니다. 연구의 목적은 두 가지입니다. 첫째, 측정된 전위 밀도로부터 단일 입자의 변형 이력을 추론하는 것입니다. 둘째, 변형과 합금의 결합 효과로 인해 세분화된 수준에서 전위 밀도 진화에 대한 예측을 공식화합니다. 특히 후자는 가공 경화에 큰 영향을 미칠 수 있는 전위 밀도 핫스팟을 해독하는 데 필수적입니다. 그러나 낮은 해상도의 EBSD 이미지에만 액세스할 수 있기 때문에 우리 연구의 범위는 언급된 데이터 과학 접근 방식의 가능성을 보여주는 것이며 향후 작업에는 더 자세한 구현이 남아 있습니다.