U-PolyConformer:用于微观结构工程的时空机器学习方法
《INTERNATIONAL JOURNAL OF PLASTICITY》:U-PolyConformer: Spatiotemporal machine learning for microstructure engineering
【字体:
大
中
小
】
时间:2025年12月31日
来源:INTERNATIONAL JOURNAL OF PLASTICITY 12.8
编辑推荐:
迪伦·布德尼克(Dylan Budnick)|本胡尔·阿米里安(Benhour Amirian)|阿比吉特·布拉赫梅(Abhijit Brahme)|海瑟姆·埃尔-卡迪里(Haitham El-Kadiri)|卡安·伊纳尔(Kaan Inal)
加拿大安大略省滑铁卢大学机械与
迪伦·布德尼克(Dylan Budnick)|本胡尔·阿米里安(Benhour Amirian)|阿比吉特·布拉赫梅(Abhijit Brahme)|海瑟姆·埃尔-卡迪里(Haitham El-Kadiri)|卡安·伊纳尔(Kaan Inal)
加拿大安大略省滑铁卢大学机械与机电工程系,滑铁卢,N2L 3G1
**摘要**
加速异质材料力学行为的预测对于大规模微观结构优化和实现功能优化材料至关重要。尽管现有的机器学习方法已经显示出能够加速预测多种异质微观结构的全场力学响应的能力,但它们主要局限于单调加载条件。本文介绍了U-PolyConformer,这是一种时空机器学习框架,它结合了U-Net卷积神经网络和变换器层,能够捕捉单调加载和随机行走加载条件下的全场应力和应变演变。该模型在大量晶体塑性有限元方法(CPFEM)模拟数据集上进行训练,能够准确捕捉包括应变局部化和应力卸载在内的复杂现象。与真实的CPFEM模拟相比,U-PolyConformer的速度提高了7900倍,并且在插值和外推范围内都能产生高保真结果。全面评估表明,U-PolyConformer能够在训练分布之外泛化到新的微观结构、加载条件和应变硬化行为。为了突出该模型作为加速计算材料工程工作流程的潜力,本文引入了一个基于静态再结晶的微观结构优化框架,用于延迟局部化的开始。该框架成功用于识别引发局部化的晶粒,展示了所提出的模型和优化框架如何用于识别和探索性能-属性关系。
**1. 引言**
多晶金属、陶瓷和复合材料等异质材料的力学行为从根本上受其微观结构控制。微观结构特征(如晶粒尺寸和形状(形态)、相分布、晶体取向(纹理)和应变硬化行为)决定了这些材料对外部载荷的响应。预测微观结构的力学响应对于设计和优化结构应用中的材料至关重要,因为在这些应用中性能和可靠性至关重要。
为了模拟微观结构在加载下的响应,考虑微观结构异质性的计算模型已成为材料科学中不可或缺的工具。对于多晶材料,这些工具被归类为晶体塑性(CP)模型。其中,探索纹理和形态相互作用的主要工具是晶体塑性有限元方法(CPFEM)。CPFEM将晶体塑性理论与有限元分析(FEA)相结合,以捕捉由晶体滑移和晶界引起的各向异性材料行为,并模拟全场应力、应变和纹理演变(Khadyko等人,2016;Muhammad等人,2017;Zhu等人,2023)。
像CPFEM这样的全场微观结构建模技术是在材料微观结构的一个小的、静态代表性的样本上进行的,该样本被离散成称为代表性体积元素(RVE)的网格。CPFEM已被用于研究各种微观结构现象对材料性能的影响,包括晶体滑移(Muhammad等人,2019)、变形孪生(Abdolvand等人,2015;Paudel等人,2023)、动态和静态再结晶(Brahme等人,2025;Popova等人,2016)以及转变诱导塑性(Connolly等人,2020)。
尽管这些计算模型非常有用,但它们计算成本高昂,严重限制了潜在的微观结构工程工作流程的范围。由于所需的模拟规模巨大,微观结构优化研究或逆向设计分析往往不可行。在工业规模上,由于需要模拟微观结构的多个连续演变阶段(包括变形、动态和静态再结晶以及恢复),金属产品的热机械加工优化在计算上难以实现。此外,虽然在GPU并行化(Eghtesad等人,2020)、光谱数据库(Alharbi和Kalidindi,2015;Gupta等人,2018;Gupta和Kalidindi,2021;Knezevic等人,2009;Zecevic等人,2015a,2015b)和数据压缩(Marki和Knezevic,2024)等方面取得了有意义的加速效果,但计算成本仍然是许多实际工程应用的障碍。
最近,越来越多的文献采用机器学习(ML)来开发具有近乎即时预测能力的学习型材料模型。这一趋势可以追溯到Ghaboussi等人(1991年),他们首次应用前馈神经网络(FFNN)来预测混凝土在压缩单轴循环加载和单调双轴加载下的应变增量。后续研究将FFNN应用于预测各种材料和条件下的流动应力,包括高温下的低合金钢(Lin等人,2008;Link等人,2022)、高温下的铝合金(Toros和Ozturk,2011)以及聚丙烯(Jordan等人,2020)。Ali等人(2019)使用FFNN预测了铝FCC多晶在拉伸和剪切下的流动应力及纹理演变,这是将ML应用于晶体塑性的一个例子。同样,Ibragimova等人(2021)预测了FCC多晶在单调和非单调加载条件下的应力-应变响应。最近,Amirian和Inal(2024)将基于热力学的人工神经网络(TANN)求解器集成到有限元模型中,以加速2D和3D相场模拟。
FFNN的一个主要限制是它们执行的是向量到向量的映射,如果没有明确提供时间信息作为输入,就无法内在地表示时间信息。因此,越来越多的研究采用了循环神经网络(RNN),它们可以以隐藏状态的形式存储时间信息,使其更适合依赖历史的材料。例如,长短期记忆单元(LSTMs)用于粘弹性材料的依赖历史加载(Chen,2021),以及门控循环单元(GRUs)用于预测路径依赖的塑性(Gorji等人,2020;Mozaffar等人,2019)。此外,还专门为本构建模开发了新的RNN公式,如最小状态单元(MSC)(Bonatti和Mohr,2021)和线性化最小状态单元(LMSC)(Bonatti和Mohr,2022),后者对应变路径采样不敏感,与其他RNN不同。Bonatti等人(2022)使用LMSC预测了FCC多晶2D和3D RVE的均质化响应,其模型预测结果与CP-FFT相比在30%应变范围内高度一致,并且能够稳定地自回归预测1000步,远超其他方法。最近,Hu等人(2025)引入了一种改进的LMSC,有效地跟踪了多种多晶的纹理和应力演变,从而实现了晶体塑性理论的实际应用。
空间模块与RNN结合使用,形成了时空模型。Frankel等人(2019)使用卷积神经网络(CNN)创建了RVE的潜在表示,用于初始化RNN的隐藏状态。利用应变历史作为RNN的输入,他们成功预测了合成寡晶在准静态单轴拉伸下的均质化应力。Hu等人(2024)结合图神经网络(GNN)和LMSC来预测多晶在复杂应变路径下的行为。他们的方法在晶粒级别操作,将晶粒视为节点,晶界视为边。虽然这项工作考虑了不同的纹理和多种加载条件,但它无法考虑材料参数或形态的变化。
上述基于ML的材料模型主要集中在预测现象学模型、单晶或多晶或晶粒的均质化响应。此外,除了Frankel等人(2019)的工作外,其他方法无法考虑形态的变化和晶界的相互作用。因此,这些方法无法预测局部应力/应变分配和局部变形的演变,而这是材料失效进展的关键指标。这是CPFEM相对于其他CP模型的一个主要优势,因为局部变形是CPFEM的自然结果。
总体而言,所有现有的预测异质微观结构材料状态分配的方法都采用CNN来捕捉材料中的空间局部模式。具体来说,经常采用编码器-解码器CNN框架,该框架首先在编码器中逐步下采样输入图像以捕捉层次化的空间模式,然后通过解码器将其放大回原始图像大小。在编码器和解码器之间添加跳跃连接,构建了广泛采用的U-net(Ronneberger等人,2015),它有效地保留和混合了不同图像尺度上的空间特征。这些框架在初始材料条件和固定应变增量之间进行图像到图像的映射。
一些应用在固定数量的加载步骤后预测材料状态。Mianroodi等人(2021)采用U-Net预测了在100步单轴拉伸加载后异质弹性塑性材料的冯·米塞斯应力,适用于多种形态和初始材料条件。Pasparakis等人(2025)采用了类似的方法,但通过使用贝叶斯U-Net来预测单应力分量的分配以及在拉伸加载后0.1%应变下的预测不确定性估计。其他方法在单步预测中引入了多种加载条件。Gupta等人(2023)使用U-Net预测了平面应变条件下线性弹性纤维增强复合材料的应力分量。他们的公式允许同时预测给定微观结构在0.1%拉伸和剪切载荷下的应力响应。此外,他们使用数据增强技术(如翻转和旋转)来补充数据集;为了捕捉组合拉伸和剪切载荷,他们使用叠加来聚合两种响应的输出。Yang等人(2021)的工作提出在条件生成对抗网络(cGAN)中使用U-Net来预测固定复合材料的冯·米塞斯应力和塑性应变(仅一个方向)。压缩和纳米压痕加载条件以图像侧面的垂直线或图像顶部的圆顶形式作为特征。他们证明他们的模型能够在没有对这些加载条件进行显式训练的情况下捕捉组合压缩和纳米压痕加载。
CNN还实现了多步预测。Khorrami等人(2023)扩展了Mianroodi等人(2021)的工作,实现了多步自回归预测。他们使用U-Net预测了在给定初始本构参数和之前步骤(预测的)冯·米塞斯应力下的异质材料的冯·米塞斯应力。类似地,Pokharel等人(2021)使用3D-CNN自回归预测了纹理四元数、应力张量和应变张量的变化。他们的工作考虑了室温铜在单轴拉伸下的情况,最大应变达到6%(6步预测),本构参数固定,且涉及多种3D微观结构。Ibragimova等人(2022)提出了另一种自回归多步预测方法。与单步方法类似,他们的工作直接预测了固定应变量后的材料应力和应变。他们的工作将所需的应变水平作为输入特征,使模型能够预测输入特征中指定的多种应变水平。他们使用编码器-解码器CNN预测了在平面应变单轴拉伸下铝合金的响应,最大应变达到22%。
虽然CNN一直是主要的ML方法,但也采用了其他模型。Pandey和Pokharel(2021)使用FFNN自回归预测了3D铜微观结构的纹理演变(最大应变达到12%)。在每个时间步骤,对每个元素应用了逐元素FFNN,利用3 × 3 × 3体素中包含的周围元素的当前欧拉角来预测下一步的欧拉角。还提出了傅里叶神经算子;然而,它们的实现也仅限于单步单轴加载的预测(Kapoor等人,2022;Rashid等人,2022)。
到目前为止,尚未开发出一种方法来加速CPFEM在任意加载条件下的全场应力和应变预测,这严重限制了它们在实际微观结构工程任务中的应用及其在组件级模拟中的集成。此外,当前的方法在准确预测应变局部化和应力卸载方面取得的成功有限,这降低了它们的可靠性和通用性。文献中的现有方法大致可以分为两类:一类是捕捉单调加载条件下的微观结构异质性;另一类是预测材料在任意加载路径下的均质化响应,但忽略了空间异质性。因此,目前仍缺乏能够同时处理任意加载条件和空间异质性的时空模型。本研究旨在通过引入一种基于机器学习的新型框架来填补这一空白,该框架能够预测异质材料在单调和随机行走加载路径下的全场应力和应变响应。所提出的架构U-PolyConformer结合了U-Net CNN和Transformer,形成了适用于多晶塑性和更广泛边界值问题的时空模型。这项工作的另一个目标是展示ML加速的CPFEM的实际效用。尽管现有方法在捕捉异质材料演变方面表现出一定的准确性,但这些方法迄今为止仍停留在学术层面,尚未在现实世界的微观结构工程任务中展示其实用性。计算效率高的CPFEM替代方法的一个直接应用是微观结构优化。据作者所知,这项工作首次应用了机器学习进行全场微观结构优化。因此,本研究引入了一个基于梯度的优化框架,利用U-PolyConformers的可微分性和效率来优化微观结构形态,以提高成形性。
本文的其余部分结构如下:下一节介绍和描述了U-PolyConformer架构;方法论部分详细解释了CPFEM的公式化、数据生成过程、特征工程、训练过程和超参数调整;此外,还介绍了一种受静态再结晶启发的新型优化框架。结果部分展示了该架构在三种不同尺寸(可学习参数)下的性能。然后评估了中型模型在验证数据集上的性能,重点关注中位数和最坏情况模拟、应变局部化以及由于局部化导致的应力卸载。接下来使用三个额外的测试数据集来评估模型对训练分布之外的形态、加载条件和应变硬化参数的泛化能力。为了证明U-PolyConformers在真实工程应用中的实用性,在微观结构工程部分采用了所提出的优化框架来提高各种微观结构的成形性。最小数据集大小部分分析了实现与完整数据集相当性能所需的最小数据集大小。提出的模型的局限性部分进一步探讨了U-PolyConformer框架的优点和缺点,而未来工作与应用部分则提出了未来的研究方向和应用。最后,结论部分总结了这项工作的主要贡献和发现。
2. U-PolyConformer模型
先前的研究表明,编码器-解码器CNN,特别是U-Net,在捕捉异质微观结构的纹理和材料属性的空间变化方面非常有效。这种有效性源于卷积层能够提取局部微观结构特征,如晶粒形状、大小和晶界间的错位,这些特征决定了局部应力和应变的分割。U-Net的跳跃连接允许网络将这些细粒度的微观结构特征与更全局的上下文相结合,类似于CPFEM解决方案如何整合局部兼容性约束和长程平衡条件。此外,由于CPFEM通常在规则网格上离散化微观结构,卷积操作可以直接映射到网格上,避免了处理不规则网格的复杂性。虽然其他机器学习架构也可以用于创建元素级别的空间嵌入,但它们在加速CPFEM预测方面并不一定具有与U-Net CNN相同的优势。尽管视觉Transformer(ViT)被广泛应用于许多先进的视觉架构中,但它们在训练和推理过程中计算成本较高,并且需要大型数据集来学习卷积滤波器更有效地捕获的空间关系(Dosovitskiy等人,2020年)。GNN虽然对于不规则网格非常强大,但在结构化的RVE中引入了额外的复杂性,而没有明显的好处,因为卷积核自然与RVE中常用的规则网格离散化对齐(Battaglia等人,2018年)。因此,所提出的架构采用了CNN U-Net作为基础的空间编码器。
然而,现有的CNN方法在预测异质材料的全场响应方面未能捕捉到历史依赖的塑性,因为缺乏适当的时间模块来捕捉路径依赖的行为和时变加载条件。为了解决这一限制,所提出的架构专注于在U-net框架内纳入适当的机制来捕捉时间信息。在设计时间机制时,一个关键决策是避免自回归模型的挑战,后者需要将一个时间步的预测状态作为下一个时间步的输入。这需要显式跟踪所有独立的状态变量(例如硬化参数、晶格旋转等)。这些状态变量的预测中的小误差会累积,导致长时间序列中的预测迅速发散。此外,训练自回归模型需要通过整个预测序列进行反向传播,从而增加训练时间并可能使训练不够稳定。经典的循环架构(例如LSTM、GRU)通过将材料历史存储在可学习的隐藏状态中来避免显式跟踪所有状态变量。然而,这可能会造成压缩瓶颈,即每个材料点的整个变形历史必须被压缩成一个单一向量。对于涉及载荷反转、非比例加载或应变局部化(即不稳定性)的复杂CPFEM模拟,这种压缩可能会丢失关键信息。虽然现有的均质化材料模型在使用循环架构方面取得了成功,但这些方法仅需要隐藏状态来跟踪单个材料点(即积分点)。而在CPFEM中,材料点的演变不仅取决于其自身的历史,还取决于整个微观结构的耦合局部和全局变形历史,这是通过平衡约束强制实现的。这种复杂的依赖性使得隐藏状态成为一个更显著的瓶颈,更容易丢失关键的时空信息。此外,RNN仍然必须顺序处理时间步,使得训练速度变慢,且长序列中的梯度不够稳定。
Transformer通过自注意力并行处理所有时间步,使每个材料点可以直接参考其完整的变形历史,而无需依赖单一的紧凑隐藏向量或显式状态传递。因此,材料点可以同时“查阅”其过去的每个状态,例如,确定局部晶粒不兼容性如何导致一个晶粒中的局部化提前发生,并影响另一个晶粒中的后续应力重新分布。这使得网络对小误差不那么敏感,并防止预测仅基于紧接着的状态。并行性加速了训练,而注意力机制确保模型能够学习在复杂、路径依赖的加载条件下准确预测CPFEM场所需的长程时间依赖性。为了在空间-时间设置中利用这些优势来模拟多晶演变,我们在U-Net卷积框架中加入了Transformer层,我们将其称为U-PolyConformer。U-PolyConformer在每个卷积层块之后集成Transformer层(图1)。这种设计遵循了一类最近的时空架构,这些架构采用了分解的时空方法(Aksan等人,2021年;Chen等人,2021年;Jin等人,2024年;Yu等人,2021年),其中空间(例如卷积)和时间(例如Transformer)是交织的。在CPFEM的背景下,卷积层关注材料点如何根据周围微观结构的空间特征演变,而Transformer层关注材料点如何根据其完整的变形历史演变。在U-net中交织空间和时间层的好处在于,它使得空间和时间特征能够分层共同演变,使网络能够从局部/全局空间背景和短/长程时间依赖性两个方面预测每个材料点的演变。一个采用Transformer在U-net框架中的著名架构是Ho等人(2022年)提出的视频扩散模型。虽然本研究中的U-PolyConformer与上述工作在结构上有相似之处,但它不同之处在于它排除了扩散去噪(即概率输出)以及卷积层和注意力层的实现。
与现有的全场ML-CPFEM方法相比,U-PolyConformer与Ibragimova等人(2022年)提出的非自回归CNN最为相似。U-PolyConformer处理变形过程中每个时间步的一个图像序列T。每个输入图像Xt∈RH×W×din具有与RVE相同的空间维度,其中H和W分别是RVE的高度和宽度元素数,din是每个像素的输入通道(特征)数。对于每个时间步t,输入图像包括初始微观结构(例如晶粒取向和硬化参数)、当前时间步和当前加载条件。因此,所有图像具有相同的初始微观结构特征,仅在时间步和应用的加载条件上有所不同。T个图像的完整序列一次性传递给网络,并并行处理以产生T个输出图像序列,每个变形步骤一个。U-Net框架中的卷积层独立处理每个时间步,提取空间微观结构特征,如晶粒取向、形状和大小以及晶粒间的错位,这些特征决定了滑移的局部化位置和方式。通过处理多个分辨率级别,U-Net捕获了细尺度特征(例如,集中在特定晶界附近的滑移活动)和粗尺度模式(例如,晶粒大小/形状分布或跨越RVE的纹理带),这些特征影响应力和应变的分割。每个卷积块之后,Transformer层将信息传递到所有时间步,使每个材料点可以直接参考其整个变形历史。在不同图像尺寸下交织空间(CNN)和时间(Transformer)层形成了微观结构和历史依赖特征的层次化共同演变,反映了CPFEM的物理机制,其中变形由累积的滑移和局部及全局微观结构特征共同决定。实际上,Transformer隐式地跟踪演变的状态变量(例如,纹理演变、硬化参数)从观察到的序列中,而U-Net捕获驱动这些变化的静态和演变的空间关系。
如前所述,U-Net框架逐步对输入图像进行下采样以捕获多尺度特征,然后将其上采样回原始分辨率。在这种情况下,一个阶段指的是该层次结构中的特定图像分辨率。U-PolyConformer包括两个下采样阶段,从原始图像大小开始,将其减半,然后将其减少到原始大小的四分之一,然后再使用两个解码器阶段将其上采样回原始分辨率。网络的每个阶段包括Lc个卷积块,随后是Lt个Transformer块。遵循原始U-net公式(Ronneberger等人,2015年),使用跳跃连接将编码器中Transformer的输出特征与解码器中的上采样特征连接起来。每个编码器块之前有一个下采样层,每个解码器块之前有一个上采样层。下采样层是2D卷积,核大小为2×2,步长为2,将特征图大小减半并将隐藏维度大小加倍。同样,上采样层也是2D转置卷积,核大小为2×2,步长为2,将特征图大小加倍并将隐藏维度大小减半。所有下采样和上采样层之前都进行了层归一化(LN)(Ba等人,2016年)。线性层用作网络的第一层和最后一层,将输入维度din扩展到初始隐藏维度d0,并将其收缩到输出特征尺寸dout。
卷积仅在给定时间步的模拟的空间域上操作,而Transformer则在整个元素/像素的状态序列上操作。因此,数据在整个模型中重新排列,以便在时间或空间域上进行并行化。对于卷积层,并行化是在批量维度B和序列长度T上进行的,因此数据被结构化为(B×T),H,W,d。对于Transformer层,数据被重新调整为(B×H×W),T,d,因为它只操作单个元素的序列长度,并在空间域和批量大小上实现并行化。卷积块的实现遵循Woo等人(2023年)引入的ConvNeXt块,该块改进了ResNet(He等人,2016年)的公式,使得纯卷积网络能够与最先进的Transformer网络在基于图像的应用中竞争。每个块由三个卷积层组成。第一个是7×7的卷积层,后面跟着一个LN。第二个是1×1的卷积层,它将特征通道扩展4倍,然后是一个高斯误差线性单元(GELU)激活函数(Hendrycks和Gimpel,2023年)以及Woo等人(2023年)引入的全局响应归一化(GRN),以促进特征多样性并防止特征崩溃。最后一个卷积层应用1×1的核将特征维度缩小4倍,然后与块的输入相加(即残差连接)。Transformer层的实现遵循Vaswani等人(2017年)引入的原始Transformer框架,在多头注意力中使用因果掩码来防止早期时间步的特征与后期时间步的特征相互作用。由于时间步作为输入特征提供,因此没有显式使用位置编码。
3. 方法论
数据生成过程基于Ibragimova等人(2022年)的工作,使用相同的CPFEM框架、数据采样程序和材料参数。然而,这项工作考虑了随机行走(非单调加载)以及更广泛的形态。
3.1. CPFEM公式
所有数据都是使用基于Asaro和Needleman(1985年)首次提出的速率依赖公式的内部CPFEM软件生成的。速率依赖公式将塑性变形归因于晶体滑移;在FCC金属(如铝)的情况下,滑移沿着三个独特的滑移方向和四个独特的滑移平面发生,从而产生十二个独特的滑移系统。构成方程将Cauchy应力的Jaumann速率σ^表示为应变率张量D、弹性应力张量L和粘塑性应力状态σ˙0的函数:
(1)σ^=LD?σ˙0?σtrD
每个滑移系统α的滑移速率γ˙遵循幂律关系:
(2)γ˙(α)=γ˙0sgnτ(α)|τ(α)g(α)|1/m
其中γ˙0是参考滑移速率,m是滑移速率敏感性,τ(α)和g(α)分别是滑移系统α上的解析剪应力和临界解析剪应力(CRSS)。单晶加工硬化使用以下公式计算:
(3)g˙(α)=∑βhαβγ˙(β)
其中hαβ是硬化模量,因此:
(4)hαβ=qαβhβ(nosumonβ)
其中hβ是单晶硬化的速率,qαβ是晶体的潜在硬化行为,以矩阵形式表示为:
(5)qαβ=[AqAqAqAqAAqAqAqAqAqAAqAqAqAqAA]
这里,A是一个3×3的全1矩阵,q是潜在硬化与自硬化的比率。在这项工作中,q被设置为1。模型中采用了所谓的幂律单滑移硬化:
(6)hβ=h0(h0γaτ0n+1)n?1
其中h0是参考硬化,τ0是初始CRSS,n是硬化指数。
上述方程构成了CP模型的基础,该模型被纳入了2D拉格朗日公式中。模拟中使用的网格由四个节点的四边形元素组成,这些四边形元素由四个“交叉”的恒定应变三角形子元素组成。在展示结果时,四边形被视为基本元素,对于场量,三角形的平均值与四边形的质心相关联(Inal等人,2002年)。这种类型的元素因其能够更好地解析多个方向的剪切带而受到青睐。与其他CPFEM方法一致,该公式通过相邻晶粒之间的错位来捕捉非均匀的应力/应变分布,而不是显式建模晶界力学。FE框架的详细信息在参考文献中提供(Paudel等人,2020年;Popova等人,2016年)。
这项工作考虑了一片铝合金,形式为100×100元素的2D RVE,在平面应力假设下受到比例加载。比例加载应用于RVE的边缘,遵循以下关系:
(8)ε˙22/ε˙11=ρ,ρ∈[?0.5,1]
其中ε˙11和ε˙22是对数主应变率,ρ是一个决定比例加载的标量。此外,主应变的方向(在11方向上)EM被定义为:
(9)EM=ε˙11c,c∈{?1,1}
其中c决定了11方向上的方向(即压缩/拉伸)。
与Ibragimova等人(2022年)的工作不同,后者只考虑了单轴拉伸(即c=1,ρ=?0.5),这项工作考虑了从单轴拉伸到等轴拉伸(即c=1,ρ=1)以及双轴压缩(即c=?1,ρ=?0.5)到等轴压缩-拉伸(即c=?1,ρ=1)的比例加载范围。所有模拟都以Δt=0.001的恒定时间步长进行计算,持续2000个时间步,直到17.5%的宏观应变(ε11M)。
3.2. 数据采样
本节详细介绍了用于基础数据集(即训练和验证)的数据生成过程。然而,还生成了额外的测试数据集,以评估所提出模型对新形态、加载条件和应变硬化参数的泛化能力。在每种情况下,测试数据集使用了这里概述的相同采样程序,但输入参数取自训练和验证分布之外。
每次模拟的变化由初始的幂律硬化参数h0和τ0、施加的边界条件c和ρ以及RVE的纹理和形态决定。根据Ibragimova等人(2022年),τ0的采样范围为10到15 MPa,h0的采样范围为245到260 MPa(接近AA5754(Nagra等人,2017年)的硬化参数)。每个RVE中的所有元素都接收相同的初始硬化参数。
考虑了两种加载条件:单调加载和随机行走(非单调)加载。在这两种情况下,都采样了初始的比例加载比率ρ0和方向c0。加载条件作为规定的位移施加到RVE边缘的节点上。在单调加载中,规定的比例加载比率和方向在整个模拟过程中保持不变。在随机行走加载中,每隔500步随机重新采样一个新的比例加载比率ρt和方向ct;采用这种随机行走方法是因为其简单性。本文后面考虑了具有不同加载变化频率的随机行走。
所有RVE都是使用Voronoi镶嵌法合成的。对于给定的RVE,n,随机选择一些元素作为种子点,代表RVE的n个晶粒。所有剩余的元素被分配给最近的种子元素的晶粒。每个RVE中播种的晶粒数量表征了微观结构的形态。RVE中的每个晶粒都被赋予初始的欧拉角(?1,Φ,?2),并且晶粒内的所有像素都被赋予相同的初始取向。所有取向都是从FCC纹理数据库中采样的,该数据库包含了来自电子背散射衍射(EBSD)的实验获得的片状合金纹理。FCC材料表现出八面体对称性,因此数据库被简化为基本区域,共有10,220个独特的取向。给定RVE的晶粒数量从120到420范围内采样,这比Ibragimova等人(2022年)仅考虑的220到320个晶粒的范围要广泛得多。本文考虑的形态示例如图2所示。
下载:下载高分辨率图像(451KB)
下载:下载全尺寸图像
图2. 使用Voronoi镶嵌法播种的不同数量的晶粒的示例形态。训练和验证数据集中考虑了120到420个晶粒的形态。还生成了一个额外的测试数据集,其形态数量低至20个晶粒,高至520个晶粒。
接下来,表1总结了CPFEM模拟的参数化。生成的数据集大小基于Ibragimova(2022年)的工作,该工作为晶粒数量在220到320之间的RVE生成了12,000次模拟。由于可能的晶粒数量增加了三倍,因此总共生成了30,000次模拟。数据集的一半使用单调加载生成,另一半使用所谓的随机行走加载。采用Sobol序列以准随机和均匀的方式高效地采样参数化空间。每次模拟平均需要30 CPU分钟完成。
表1. CPFEM参数化概述
变量 值 描述
h0 [245,260] MPa 初始参考硬化
τ0 [10,15] MPa 初始CRSS
ρ [?0.5,1] 比例加载比率
c {?1,1} 比例加载方向
n [120,420] RVE中的晶粒数量
R0 [?1,1] 纹理的初始旋转矩阵
由于实现的应变水平差异显著,本文的其余部分将模拟讨论基于步骤数(时间步数),这在所有模拟中是恒定的。具体来说,使用的是从模拟中抽取的子样本步骤,这些步骤对应于20个机器学习预测步骤。
3.3. 特征工程
机器学习模型的输入和输出在表2中概述。所有模拟每100步进行一次子采样,因此每次模拟有20步。网络的输入来自CPFEM模拟的参数化。对于给定的模拟,所有输入图像的微观结构特征保持不变。具体来说,20个输入图像中的每一个,对应于20个子样本步骤,包括初始硬化参数h0和τ0,以及初始旋转矩阵R0,它表示每个元素的方向。
表2. ML模型的输入和输出概述
特征类型 描述
输入 缩放
h0 [245,260] MPa 初始参考硬化
τ0 [10,15] MPa 初始CRSS
ρ [?0.5,1] 比例加载比率
c {?1,1} 比例加载方向
n [120,420] RVE中的晶粒数量
R0 [?1,1] 纹理的初始旋转矩阵
由于实现的应变水平差异显著,本文的其余部分将模拟讨论基于步骤数(时间步数),这在所有模拟中是恒定的。具体来说,使用的是从模拟中抽取的子样本步骤,这些步骤对应于20个机器学习预测步骤。
3.3. 特征工程
机器学习模型的输入和输出在表2中概述。所有模拟每100步进行一次子采样,因此每次模拟有20步。网络的输入来自CPFEM模拟的参数化。对于给定的模拟,所有输入图像的微观结构特征保持不变。具体来说,20个输入图像中的每一个,对应于20个子样本步骤,包括初始硬化参数h0和τ0,以及初始旋转矩阵R0,它表示每个元素的方向。
尽管CPFEM模拟在RVE的边界上施加了加载条件,但在ML输入中没有进行区分。相反,输入图像中的每个元素/像素都被赋予相同的输入特征,这些特征描述了当前的加载条件ρt和ct。此外,每个元素还接收一个指示模拟中当前时间步的特征。总体而言,唯一在空间上变化的特征(即在图像内部)是初始旋转矩阵R0,而唯一在时间上变化的特征(即在图像之间)是时间步t以及当前的加载条件ρt和ct。硬化参数h0和τ0在空间上和时间上都不变化。
由于施加了平面应力条件,应力张量只有三个分量(σ11,σ22, σ12)和应变张量只有四个分量(ε11,ε22, ε33, ε12)。因此,每次模拟的输入和输出张量分别为X∈RH×W×T×din和Y∈RH×W×T×dout,其中H和W是RVE的高度和宽度上的元素数量(即100),T是时间步数(即20),din=14和dout=7分别是输入和输出通道的数量。
所有输入和输出特征(纹理除外)都进行了缩放。纹理不需要缩放,因为它已经在?1到1的范围内。由于输入特征都是伪均匀采样的,因此它们都使用以下公式进行缩放:
(10)xinormed=2(xi?minximaxxi?minxi)?1
其中maxxi和minxi是所有时间步、元素和模拟中第i个特征的最大值和最小值。由于应力和应变状态可能相差一个数量级,并且假设它们是高斯分布的,因此使用以下公式将它们标准化为以0为中心,方差为单位:
(11)xizscore=xi?μiσi
其中μi和σi是所有时间步、元素和模拟中第i个特征的平均值和标准差。
对于每个特征,中位数、内四分位数范围、第99百分位数和第99.9百分位数作为所有模拟和元素的时间步的函数在图3中绘制。该图表明,每个特征的分布随时间扩展。虽然四分位数范围在整个模拟过程中略有增长,但分布的尾部增长迅速,最极端的0.1%的特征值与中位数有显著偏离。这表明特征状态的变化在模拟过程中是非线性的,特别是在较大应变水平下,这突出了在高应变下预测特征值的挑战性。每个阴影区域表示数据中给定百分比(例如50%、99%和99.9%)的值范围,这些值以中位数为中心。尽管每次模拟都运行相同数量的时间步长,但实际达到的有效应变存在显著差异。图4展示了单调加载和随机行走加载下的峰值有效应变分布,这些应变从低于10%变化到超过50%。总体而言,随机行走加载的模拟产生的有效应变较低,因为它们通常包括加载方向的变化。这两种加载条件都表现出多模态分布。多个模式的存在可能归因于不同的加载方向和比例加载比的组合。此外,在随机行走的情况下,模式还由具有相似加载路径的模拟所特征化。有效应变与单调加载条件之间的关系也在结果部分进行了探讨,因为它与应变局部化有关。
下载:下载高分辨率图像(110KB)
下载:下载全尺寸图像
图4. 单调加载和随机行走模拟的(均质化)有效应变分布。
3.4. 微结构优化框架
传统的数值框架(如CPFEM)在优化任务中面临两个重大挑战。首先,这些框架计算成本高昂,限制了优化搜索的范围,并严重限制了可以实际执行的优化迭代次数。其次,这些数值框架通常不具备完全的可微性。这限制了数值框架只能使用基于搜索的优化算法,这些算法将模型视为黑箱,使得高维优化任务(如微结构工程)变得具有挑战性且收敛缓慢。
相比之下,基于机器学习的替代方法(如U-PolyConformer)克服了这两个挑战。不仅机器学习框架产生的预测速度比底层数值框架快几个数量级,而且该模型是完全可微的,从而支持基于梯度的优化。除了提高收敛速度外,基于梯度的优化还便于将任意复杂的性能指标(例如峰值应力、局部化)直接映射到微结构特征(例如纹理、形态、硬化)。由于机器学习模型经过训练以捕捉晶体塑性的基本物理机制,基于梯度的优化本质上尊重物理约束。
为了展示基于机器学习的CPFEM模型的实用性,引入了一个微结构优化框架。该优化框架的目标是延迟/推迟给定应变路径下的微结构局部化。为了防止微结构发生剧烈变化,优化框架将微结构的形态和纹理演变限制在物理上合理的转换范围内,这些转换模仿了静态再结晶(SRX)过程中观察到的机制。
在SRX过程中,晶粒生长是以牺牲邻近晶粒为代价的,这一过程受到材料中储存的能量、错位、晶界面积和温度的驱动。需要注意的是,新的晶粒取向不会被引入微结构中。相反,这个过程可以被视为微结构形态的转变,以实现更低能量的配置。为了模拟这一过程,所提出的优化框架专注于改变微结构的形态以限制局部化;在这种意义上,该框架类似于识别SRX如何增强微结构的可成形性。
为了根据其形态对微结构进行参数化,每个晶界都被赋予一个可学习的权重wij,表示晶粒i被晶粒j吸收的潜力。权重具有方向性(即wij=-wji),而晶内权重wii使晶粒能够抵抗被吸收。
在优化过程中,每次迭代都会根据晶界权重的演变来重建微结构(图5)。RVE中的每个元素都会考虑其局部元素邻域及其相关的晶界权重。该元素将选择权重最高的晶粒及其相关的晶体取向。为了抑制初始晶粒生长并促进稳定性,晶内连接wii被初始化为1,晶界权重wij被初始化为0。
下载:下载高分辨率图像(444KB)
下载:下载全尺寸图像
图5. 所提出的优化框架概述:(a) 是一个样本微结构,(b) 是每个晶粒的晶体取向,(c) 是分配给一个晶粒及其相邻元素的元素,(d) 是与相邻元素相关的权重,(e) 是模型正向和反向传递过程中元素的晶体取向分配。
一旦微结构构建完成,就使用训练有素的U-PolyConformer来预测材料的变形。U-PolyConformer的权重被冻结以防止进一步训练。为了最小化微结构中的局部化,引入了一个目标函数,该函数惩罚晶内应力和应变方差:
(12) Llocalization = 1 / GF ∑f∈F ∑g∈G Var({yf,i∣i∈Eg})
其中G是RVE中唯一晶粒的集合,F是在模拟最后时间步长为晶粒g的元素i考虑的输出特征(即应力和应变分量)的集合。这个目标函数的动机是应力和应变场中的高程度晶内异质性,这是局部化的特征。通过最小化晶内特征变化,优化框架仅针对对局部化贡献最大的微结构中的晶粒进行优化。
一旦计算出目标函数,损失就会通过模型反向传播以更新晶界权重。由于将元素分配给不同晶粒是一个离散操作,因此它是不可微的,不允许梯度流动。为了实现可微性,所提出的框架在模型的正向传递中使用离散的晶粒分配(即argmax),而在模型的反向传递中使用概率性的软分配(即softmax)来允许梯度流动(Bengio等人,2013年)。软分配使用softmax对相邻晶粒的晶体取向进行加权:
(13) sij = exp(wij/τ) ∑k∈K exp(wik/τ)
(14) Ri = ∑j∈K sijRj
其中K是元素i邻域中的元素集合,R是描述给定元素晶体取向的旋转矩阵,τ是用于缩放softmax分布的温度参数。当τ接近0时,分布近似于one-hot编码。
为了防止利用所提出的目标函数的平凡解(即所有晶粒完全粗化成单晶),通过限制晶粒仅吸收最多M个邻居来约束晶粒生长。这确保了优化后的微结构在最小化局部化的同时,对形态的修改最小,同时保持了微结构的异质性并有助于确保物理合理性。
所提出的优化框架允许晶粒生长,但不一定消耗所有相邻晶粒(确保与SRX机制完全兼容)。因此,晶粒不仅可以消耗整个相邻晶粒,还可以吸收部分相邻晶粒,或者多个晶粒可以共同作用来消耗一个晶粒。
3.5. 训练程序
本文中训练的所有模型都遵循相同的训练程序,该程序在表3中使用单个Nvidia V100(32 GB)GPU进行了概述。为了最小化内存使用,网络中的每一层都使用了梯度检查点。在这项工作中,一个批次被视为一次模拟。所有模型都使用批量大小为1进行训练,损失函数为均方误差(MSE):
(15) MSE = 1 / T ∑t=1T ∑e=1E ∑f=1F(yt,e,f?y^t,e,f)^2
其中T、E、F分别是总步数(即20)、RVE中的元素总数(即10,000)和输出特征的数量(即7)。此外,y和y^分别对应于真实的CPFEM和机器学习预测。
表3. 训练参数概述。
特征 值
学习率调度器 Cosine Annealing(Loshchilov和Hutter,2017)
学习率热身步骤 500
最大学习率 1e-4
最小学习率 1e-7
批量大小 1
训练/验证比率 0.9
优化器 AdamW(Loshchilov和Hutter,2019)
损失函数 均方误差
梯度裁剪 1
所有模型都使用了带有重启的余弦退火学习率调度器进行训练。学习率从最小学习率10^-7开始,在开始余弦退火过程之前的500步内线性增加到最大学习率10^-4。
4. 结果
进行了两项消融研究,以确定U-PolyConformer框架的合适拓扑结构。为了简洁起见,这里总结了这些研究,但更多细节可以在附录中找到。第一项研究关注解码器中ConvNeXt块的数量和变换器层的数量。总共训练了6种配置,每个配置进行了8个周期的余弦退火循环。研究发现,在解码器的每个阶段使用一个变换器层和一个ConvNext块,在计算成本和性能之间提供了最佳平衡。
第二项消融研究在第一项研究的基础上进行,仅关注编码器中ConvNeXt块的数量和瓶颈的数量,同时解码器的每个阶段也使用一个变换器层和一个ConvNext块。总共使用相同的程序训练了16种配置。研究发现,在编码器的第一阶段使用3个ConvNeXt块,第二阶段使用6个ConvNeXt块,并设置一个瓶颈,在计算成本和性能之间实现了理想的平衡。
根据方法论中概述的两项消融研究,选定的U-PolyConformer配置包括2个编码器阶段、1个瓶颈阶段和2个解码器阶段,分别使用3、6、6、1和1个ConvNeXt块。每个变换器块使用一个变换器层。选定的配置在三种不同的初始隐藏维度大小64、128和256下进行了训练,以评估模型性能随可训练参数数量的变化。在本文的其余部分,术语“小型”、“中型”和“大型”将用于指代这种特定的U-PolyConformer配置,其初始隐藏维度分别为64、128和256。
每种尺寸都进行了三个余弦退火周期的训练,总共24个周期或大约625K次批量更新,其中90%的生成模拟用于训练(27,000次),10%用于验证(3000次)。选择三个余弦退火(带重启)周期的目的是为了在固定数量的批量更新内一致地减少损失,而不是为了追求效率或寻找全局损失最小值。由于模型是在固定数量的周期内训练的,额外的训练虽然可以提高性能,但收益递减。
4.1. 模型大小比较
表4总结了小型、中型和大型模型的完整训练情况。表格显示,将初始隐藏维度大小翻倍会使可学习参数的数量增加四倍,同时也会使所需的GPU内存和训练及验证期间的预测速度翻倍。中型模型的训练时间大约是小型模型的1.9倍,但MSE损失减少了29%。同样,大型模型的训练时间比小型模型长4.7倍,但MSE损失减少了52%。尽管计算量的增加提供了显著更好的性能,但中型模型在计算成本和性能之间取得了平衡。在推理速度方面,中型模型的推理速度比真实的CPFEM模拟快7900倍。
表4. 三种不同尺寸的U-PolyConformer性能。所有指标都是使用Nvidia V100(32GB)和梯度检查点得到的。
空单元 空单元 空单元
VRAM(Gb) 每秒预测次数 MSE(10^-2)
模型 隐藏维度d 参数数量(10^6)
训练 验证 训练 验证 训练 验证
小型 64 5.90 6.98 5.05 3.03 9.27 2.37 2.51
中型 128 23.20 13.45 9.79 1.57 4.43 1.62 1.80
大型 256 92.10 26.54 19.65 0.61 1.61 1.05 1.19
计算和性能之间的权衡在图6中进一步展示,该图显示了所有三种模型在验证数据集中每次模拟的MSE损失分布。每个更大的模型都减少了最坏情况下的预测,并将整个分布向较低的MSE值方向移动。在所有情况下,验证和训练损失保持接近,每个模型的过拟合都很小。可以通过dropout或增加权重衰减来进一步限制这种差异。
下载:下载高分辨率图像(162KB)
下载:下载全尺寸图像
图6. 小型、中型和大型模型在验证数据集中模拟的MSE损失分布。垂直线表示最具挑战性的模拟的损失。
图7显示了每个模型所有应力和应变分量的个别损失分解。随着模型大小的增加,误差的变异性减小,小型模型与中型模型以及中型模型与大型模型之间的差异相当。对于所有模型,剪切分量(例如σ12和ε12)在损失中的方差最小,这可以归因于这些分量在所有模拟中的方差较小,如图3所示。相反,σ22和ε33在所有模型中的误差分布较广,这是由于这些分量在所有模拟中的方差较大。下载:下载高分辨率图像(207KB)下载:下载全尺寸图像
图7. 所有模型尺寸、所有时间步长、所有元素和所有模拟中预测的应力和应变分量的残差误差(即yt,e,f?y^t,e,f)的分布。彩色区域表示四分位数范围, whiskers表示0.01%到0.99%百分位数之间的范围。
表5展示了每个模型验证集的最佳、中位数和最坏情况下的特征均方根误差(RMSE)。RMSE用于显示未缩放的特征损失,提供对异常值更敏感的更易于解释的损失。特征f的RMSE可以表示为:
(16) RMSEf = 1/TE ∑t=1T ∑e=1E(yt,e,f?y^t,e,f)2
表5. 验证数据集中每个模型尺寸的最佳、中位数和最坏情况下的模拟MSE和特征RMSE。
空单元格
空单元格
空单元格
应力RMSE(MPa)
应变RMSE(10^-3)
案例
模型
MSE(10^-2)
σ11
σ22
σ12
ε11
ε22
ε33
ε12
最佳
小
0.98
4.16
5.20
2.46
5.05
4.01
4.41
2.59
中等
0.65
2.04
3.84
1.55
4.74
4.59
5.39
4.22
大
0.31
1.46
2.75
1.10
3.30
3.22
3.44
2.79
中位数
小
2.17
4.53
6.59
2.88
13.05
7.58
13.52
6.89
中等
1.53
4.49
5.65
2.96
7.48
5.45
7.63
4.04
大
0.99
3.88
5.50
2.51
4.63
3.27
5.24
2.55
最坏
小
19.45
16.01
15.38
6.93
32.39
24.47
51.26
21.96
中等
16.73
12.34
12.92
6.45
33.75
34.32
51.34
18.02
大
14.69
12.43
11.91
5.56
22.47
39.60
47.19
14.58
这些代表性案例表明,较大的模型通常表现出较低的损失,但随着计算时间的增加,性能的提升逐渐减少。值得注意的是,中等模型在应力RMSE方面表现出色,与大型模型相当,尽管整体应力RMSE略高。
总体而言,这三个模型展示了使用U-PolyConformer框架可以实现的各种性能-计算权衡。虽然大型模型提供了最佳性能,但本文的其余部分将重点关注中等模型的结果,因为它在性能和训练时间之间提供了令人印象深刻的权衡。
4.2. 模型评估
时间序列预测的一个不可避免的挑战是误差的累积,这会导致在长时间预测步骤中迅速偏离真实状态。随着模拟长度的增加,这个问题变得更加严重,导致RVE的每个元素的潜在状态范围变得更广。因此,预测器必须适应其输出中显著更高的方差,如图6所示。
图8很好地说明了这一挑战,它展示了每个特征的残差误差作为应变增量的函数分布。所有应变和应力特征都表现出类似的趋势;预测误差方差随应变水平的增加而增加。所有特征的四分位数范围(内部50%)在整个模拟过程中保持紧密限制,应力和应变预测分别在所有应变增量范围内保持在10 MPa和0.01 mm/mm以内。然而,在模拟接近结束时,99%置信区间呈非线性扩展,反映了状态的复杂性增加。尽管如此,即使在较高的应变水平下,这些区间仍然保持合理的限制。
下载:下载高分辨率图像(379KB)下载:下载全尺寸图像
图8. 每个输出特征的残差误差(即yt,e,f?y^t,e,f)作为时间步数函数的分布。每个阴影区域表示给定百分比数据(例如50%、99%和99.9%)的值范围。
外部1%预测的快速偏离可以归因于捕捉复杂应力卸载和局部化模式的挑战。这些高误差情况的发生是因为在较高应变水平下,应力和应变场通常表现出复杂的高频变化。虽然这些模式通常被模型很好地表示出来,但元素级预测的不准确性会导致图8中所示的不成比例的高误差。
这种误差的累积是缺乏显式守恒定律和ML模型中材料状态的隐式处理的自然结果。与CPFEM不同,CPFEM在每个增量上都明确强制平衡、兼容性和本构一致性,U-PolyConformer是从训练数据中间接学习这些行为的。随着变形过程进入训练数据稀疏表示的领域,例如高度局部化的变形,模型对材料行为的内部表示与物理约束的CPFEM模型偏离。这导致预测的应力-应变响应出现累积偏差,特别是对于经历快速变化的局部场的小部分元素。尽管存在这些挑战,结果表明U-PolyConformer在整个应变路径中对大多数元素仍然保持高度稳定,只有分布的极端尾部表现出有意义的偏差。
尽管存在这些挑战,图8表明该模型即使在高应变水平下也能很好地捕捉应力和应变场的主要分区模式。以下小节提供了模型对应力卸载和局部化的预测可视化,并展示了模型在高应变水平下预测应力和应变分区的复杂行为的能力,即使发生了较高的元素级误差。由于模型在大应变水平下表现出较高的误差,本文的其余部分将重点关注模拟最后一步的ML模型预测,以更好地展示模型的性能和局限性。此外,以下各节的目标是展示中等模型在更具挑战性的预测任务中的预测能力,而不仅仅是突出它表现最好的情况。因此,讨论将集中在具有中位数损失或更高损失的模拟上。
图9可视化了验证数据集中中位数案例的每个特征的最终状态。该案例经历了随机行走加载,特征级的RMSE已在表5中报告。结果表明,模型非常好地捕捉了应力和应变场的潜在模式,只有通过仔细检查才能发现差异。误差场突出了这些差异,显示出主要是局部化的且幅度较小的差异。此外,误差分布在RVE中的每个特征上显示出近乎随机的分布,表明模型成功捕捉了由异质微观结构引入的特征分区的空间变化。此外,所有特征的均质化响应与真实响应非常一致。这种一致性证实了模型预测随机行走加载过程中应力和应变场的宏观趋势的能力。
下载:下载高分辨率图像(1MB)下载:下载全尺寸图像
图9. 验证数据集预测的可视化,显示了中位数误差。每一列代表一个输出特征。从上到下的前三行分别对应于真实CPFEM模拟、机器学习预测和模拟最后一步的未标准化元素级误差。最后一行显示了所有步骤中每个输出特征的均质化CPEM和ML预测。
同样,图10展示了验证数据集中最坏情况的最终状态预测。与中位数案例不同,这种情况由于单调加载条件下的应力卸载而面临重大挑战。RVE的局部区域在拉伸加载下表现出高强度的剪切带,周围区域从硬化迅速转变为卸载。这些复杂和突然的变化导致真实和预测的应力和应变场之间的预测误差增加。主要误差遵循跨越RVE的应力和应变局部化模式。这些误差要么表现为低估应力局部化强度,要么表现为高估卸载幅度。
然而,均质化应变响应被很好地捕捉到了(在模拟的最后几步中确实发生了一些偏差)。虽然模型确实预测了卸载,但由于预测局部化强度而产生的误差阻碍了卸载期间全局行为的捕捉。尽管存在这些挑战,U-PolyConformer架构在即使在这种最坏情况下也能出色地预测应力和应变分区的主导特征,并产生高度可靠的结果。
4.3. 局部化和应力卸载
应力卸载是由于变形不稳定性导致的应变局部化。单个或晶粒簇的滑移系统可能会优先与施加的应力对齐,导致应变在狭窄的带状或区域内迅速累积(剪切带化)。剪切带的形成将导致周围区域的应力相对减少(应力卸载),因为剪切带承受了不成比例的应变。捕捉局部化是微观结构工程的一个关键方面,因为不希望出现的异质变形可能会对材料的可成形性产生重大影响,并导致过早的颈缩或断裂。CPFEM已经成功展示了预测局部化及其与纹理和微观结构关系的能力(Tvergaard和Needleman,1993)。
ML模型捕捉这一现象的能力至关重要。首先,它展示了ML模型捕捉涉及多个不稳定性的复杂、新兴材料行为的能力。其次,应力卸载提供了晶粒不兼容性的强烈信号,这仅通过应变响应是无法完全捕捉的。虽然应变单调增加,但在晶粒高度不兼容的区域,应力响应将出现分叉。在后续的微观结构工程研究中,捕捉应力卸载的实用性得到了充分实现。
虽然图10中展示的最坏情况提供了一些关于模型捕捉应力卸载能力的见解,但还需要更深入的研究。图11突出展示了一个捕捉应变局部化演变及其随后卸载的典型案例。在模拟的初始阶段,σ11应力响应表现出相对均匀的变化,没有显著的局部化,与图9中显示的中位数案例相当。然而,在模拟的后半部分(高级应变),应力分区开始显著变化。在模拟的最后一部分,形成了一个横跨整个RVE的大剪切带。周围区域经历了快速的卸载,导致应力急剧下降。这些区域显示出应力强度的强烈变化,挑战了模型准确预测局部应力集中和卸载行为的能力。虽然在应变演变的过程中观察到应力幅度和梯度的微妙偏差,但预测的应力分区与真实CPFEM预测非常吻合。
图11. 从验证数据集中选取的σ11应力卸载的典型案例,展示了模拟最后应变增量中应力场的快速变化。左侧子图的列分别对应于(a)输入微观结构,(b)均质化CPFEM和ML预测,以及(c)不同时间步长的元素级误差的核密度估计。右侧子图的列(d)分别对应于CPFEM预测(顶部行)、ML预测(中间行)和元素级误差(底部行)在不同时间步长。
为了进一步展示模型预测卸载的能力,图12显示了多次模拟的σ11应力响应的真实和预测最终状态。应该提到,所展示的案例都是从最具挑战性的单调加载案例中选取的,因为它们比随机行走更容易经历卸载(由于整体有效应变水平较高)。在所有案例中,U-PolyConformer架构都能捕捉到σ11应力响应的主要特征,包括局部化和卸载的全局模式。在更具挑战性的案例中(左侧第四高的案例),模型偶尔无法预测更细小的应力局部化区域,特别是在出现尖锐梯度或小尺度卸载的地方。然而,随着MSE的降低(右侧第四高的案例),预测与真实响应的吻合度越来越高,准确反映了应力局部化和卸载动态。尽管全场响应存在轻微差异,但均质化响应在ML预测和真实模拟之间显示出强烈的一致性。
图12.在单调加载条件下,针对一些最具挑战性的验证案例,提供了多个应力释放的例子。从左到右,这些案例(列)分别对应于验证数据集中损失第1、第5、第10、第20和第40高的情况,这些情况都具有单调加载特性。前两行表示最终步骤中的σ11预测值:(顶部)CPFEM预测值和(中间)ML预测值,而底部行显示了整个模拟过程中的均质化CPFEM和ML预测值。为了进一步了解影响模型预测能力的因素,图13研究了验证数据集中单调模拟的加载条件、有效应变和MSE损失之间的相互作用。散点图中的每个点代表一个模拟,并根据其相应的MSE损失进行着色。模拟被分为两组,这两组的特征在于它们的加载方向c。
图13. 单调模拟中,比例加载ρ0与(冯·米塞斯)有效应变的关系。每个模拟根据其相应的MSE损失进行着色。颜色条上的最大损失从0.166降低到0.04,以更好地说明有效应变和加载对损失的影响。两组点的特征在于它们的加载方向c。当c=1时,随着比例加载从单轴拉伸转变为等轴拉伸,有效应变增加;相反,当c=?1时,随着比例加载从等轴压缩-拉伸转变为双轴压缩,有效应变增加。此外,与c=?1相关的模拟形成一条偏差较小的直线,而与c=1相关的模拟在比例加载增加时有效应变的分布更广。
图13中的结果与图4直接相关,表明单调加载下有效应变分布的模式是由c=1组在0.3以下低应变时的曲率以及两组在0.35应变处的交点引起的。根据每组点的着色(MSE损失),模型在某些加载条件下的表现更好。在c=1的情况下,随着有效应变的增加,模型性能下降。值得注意的是,对模型来说最具挑战性的模拟(黄色)接近等轴拉伸,此时模型经历了显著的拉伸变形。这支持了这样一个观察结果:最具挑战性的模拟经历了卸载和局部化,这是高应变拉伸的后果。此外,最具挑战性的模拟的有效应变偏离了c=1组的范围,在给定的比例加载下实现了较低的有效应变(位于c=1情况趋势线的左侧)。在这些情况下,微观结构(主要是晶粒形态)难以均匀分配应变,导致某些区域出现显著局部化,而其他区域则发生卸载。总体而言,这一现象在整个比例加载范围内都存在;相对于比例加载比,有效应变异常低的模拟将产生更高的误差。相反,当c=?1时,模型性能与有效应变的关系不那么紧密。模型在接近ρ=0的比例加载下表现更好,但在过渡到ρ=?0.5和ρ=1的边界时性能开始下降。然而,与c=1相比,损失的变化并不那么显著。此外,由于比例加载与有效应变之间的关系遵循一个明确的路径,因此具有相似比例加载比的模拟之间的变化较小,使得预测任务更简单,总体误差也更低。
总体而言,图13表明未来的工作应集中在等轴拉伸附近进行更多采样,因为该区域最容易出现局部变形和卸载。需要注意的是,对于c=?1的加载条件,所需的采样较少,因为即使在相同的等效应变水平下,也没有显著的应变局部化,从而生成了一个更简单的预测环境。
4.4. 对未见形态的泛化能力
为了评估U-PolyConformer模型对训练分布之外形态的泛化能力,生成了一个额外的测试数据集。基础训练和验证数据集考虑了120-420个晶粒的形态;为了评估模型的泛化能力,扩展数据集包括了比基础数据集更多或更少晶粒的形态。共生成了5000个额外的测试模拟,其中2500个的晶粒数量在20到120个之间,2500个在420到520个之间。模拟的采样使用了方法论部分中概述的相同程序,随机行走和单调加载条件均匀分布。Medium模型在未经额外训练的情况下对扩展的形态测试集进行了评估。图14绘制了测试集和原始验证集中每个模拟的MSE损失与晶粒数量(由模拟的最大有效应变着色)的关系。对于这两种加载条件,验证数据集中考虑的所有形态,内部90%的数据保持稳定,表明模型在不同形态上的表现同样出色。尽管测试/外推数据集的误差分布比验证数据集更大,但大多数测试模拟的误差仍然位于验证数据集观察到的范围内。
图14. 验证数据集(120至420个晶粒)和测试数据集(<120个和>420个晶粒)中,每个模拟的MSE损失与晶粒数量的关系(左)为单调加载,(右)为随机行走加载。阴影区域表示使用大小为40的滑动窗口计算出的50%和90%置信区间。每个模拟根据其最大有效应变进行着色。总体而言,两种加载条件产生的结果相似,随机行走加载在验证和测试/外推数据集中的平均误差略高。然而,两种加载类型在有效应变与MSE损失之间的关系上表现出略微不同的行为。
图13表明,在加载方向c=1的情况下,较高有效应变时误差较大。然而,当加载方向为c=?1时,损失与比例加载比的关系更为直接。因此,图14(左)中的单调模拟结果没有显示出颜色(有效应变)和损失(y轴)之间的明确关系。虽然损失较高的模拟往往具有较高的有效应变(绿色和黄色),这与双轴拉伸相关,但也有几个损失较高但有效应变较低的模拟,这可能与接近等轴压缩-拉伸的加载有关。相比之下,随机行走加载模拟显示了有效应变与损失之间的明确关系,这种关系独立于形态。随着有效应变的增加,损失也随之增加。随机行走模拟的有效应变变化可以通过加载方向的切换来解释。周期性加载(例如c值的交替)会导致较低的最大有效应变,从而使得预测更加容易。相反,如果加载方向不变(例如c值恒定),整体加载条件将类似于单调加载,导致更高的有效应变和应力水平,使得预测更加困难。
虽然有效应变可以解释为什么某些模拟在两种加载条件下更具挑战性,但它本身并不能解释为什么随机行走模拟在较低有效应变水平下平均误差较高。因此,随机行走和单调加载之间的差异将在后续小节中进一步探讨。对于随机行走加载,测试/外推数据集中的损失范围对于更细(>420个晶粒)和更粗(<120个晶粒)的形态是可比的。然而,对于单调加载,较粗形态的MSE损失大于0.1的模拟数量相对较多。观察到的差异可以通过相邻晶粒适应局部应变的方式来解释。在更细的形态中,晶粒平均尺寸较小,代表了来自晶体取向分布的更大样本。如果某个晶粒的取向“较差”(即偏离平均局部取向),并且表现出较高的应力倾向,那么有许多相邻晶粒可以适应并重新分配应力,从而防止其过度变形。同样,如果两个相邻晶粒之间的取向差异较大(可能导致应力集中),则由于有许多其他相邻晶粒的存在,应力适应变得更加容易。因此,局部化不太可能发生或传播。相反,较粗的形态具有较少且较大的晶粒,来自取向分布的采样较为稀疏。因此,对于给定加载,取向不佳的晶粒将抵抗变形,迫使少数相邻晶粒进行更多的适应以保持兼容性。同样,两个较大晶粒之间的取向差异可能导致应力/应变局部化,但由于有许多不同取向的晶粒存在,这种局部化不太可能发生或传播。
总体而言,图13表明未来的工作应集中在等轴拉伸附近进行更多采样,因为该区域最容易出现局部变形和卸载。需要注意的是,对于c=?1的加载条件,所需的采样较少,因为即使在相同的等效应变水平下,也没有显著的应变局部化,从而生成了一个更简单的预测环境。
4.4. 对未见形态的泛化能力
为了评估U-PolyConformer模型对训练分布之外形态的泛化能力,生成了一个额外的测试数据集。基础训练和验证数据集考虑了120-420个晶粒的形态;为了评估模型的泛化能力,扩展数据集包括了比基础数据集更多或更少晶粒的形态。共生成了5000个额外的测试模拟,其中2500个的晶粒数量在20到120个之间,2500个在420到520个之间。模拟的采样使用了方法论部分中概述的相同程序,随机行走和单调加载条件均匀分布。Medium模型在未经额外训练的情况下对扩展的形态测试集进行了评估。图14绘制了测试集和原始验证集中每个模拟的MSE损失与晶粒数量的关系(由模拟的最大有效应变着色)。对于这两种加载条件,验证数据集中考虑的所有形态,内部90%的数据保持稳定,表明模型在不同形态上的表现同样出色。尽管测试/外推数据集的误差分布比验证数据集更大,但除了少数模拟外,大多数测试模拟的误差仍然位于验证数据集观察到的范围内。
图14. 验证数据集(120至420个晶粒)和测试数据集(<120个和>420个晶粒)中,每个模拟的MSE损失与晶粒数量的关系(左)为单调加载,(右)为随机行走加载。阴影区域表示使用大小为40的滑动窗口计算出的50%和90%置信区间。每个模拟根据其最大有效应变进行着色。总体而言,两种加载条件产生的结果相似,随机行走加载在验证和测试/外推数据集中的平均误差略高。然而,两种加载类型在有效应变与MSE损失之间的关系上表现出略微不同的行为。
图13表明,在加载方向c=1的情况下,较高有效应变时误差较大。然而,当加载方向为c=?1时,损失与比例加载比的关系更为直接。因此,图14(左)中的单调模拟结果没有显示出颜色(有效应变)和损失(y轴)之间的明确关系。虽然损失较高的模拟往往具有较高的有效应变(绿色和黄色),这与双轴拉伸相关,但也有几个损失较高但有效应变较低的模拟,这可能与接近等轴压缩-拉伸的加载有关。相比之下,随机行走加载模拟显示了有效应变与损失之间的明确关系,这种关系独立于形态。随着有效应变的增加,损失也随之增加。随机行走模拟的有效应变变化可以通过加载方向的切换来解释。周期性加载(例如c值的交替)将导致较低的最大有效应变,从而使得预测更加容易。相反,如果加载方向不变(例如c值恒定),整体加载条件将类似于单调加载,导致更高的有效应变和应力水平,使得预测更加困难。
虽然有效应变可以解释为什么某些模拟在两种加载条件下更具挑战性,但它本身并不能解释为什么随机行走模拟在较低有效应变水平下平均误差较高。因此,随机行走和单调加载之间的差异将在后续小节中进一步探讨。对于随机行走加载,测试/外推数据集中的损失范围对于更细(>420个晶粒)和更粗(<120个晶粒)的形态是可比的。然而,对于单调加载,较粗形态的MSE损失大于0.1的模拟数量相对较多。观察到的差异可以通过相邻晶粒适应局部应变的方式来解释。在更细的形态中,晶粒平均尺寸较小,代表了来自晶体取向分布的更大样本。如果某个晶粒的取向“较差”(即偏离平均局部取向),并且表现出较高的应力倾向,那么有许多相邻晶粒可以适应并重新分配应力,从而防止其过度变形。同样,如果两个相邻晶粒之间的取向差异较大(可能导致应力集中),则由于有许多其他相邻晶粒的存在,应力适应变得更加容易。因此,显著局部化不太可能发生或传播。
相反,较粗的形态具有较少且较大的晶粒,来自取向分布的采样较为稀疏。因此,对于给定加载,取向不佳的晶粒将抵抗变形,迫使少数相邻晶粒进行更多的适应以保持兼容性。同样,两个较大晶粒之间的取向差异可能导致应力/应变局部化,但由于有许多不同取向的晶粒存在,这种局部化不太可能发生或传播。由于晶粒平均尺寸较大,局部化可能代表微观结构的较大体积分数。因此,不仅较粗的微观结构更容易出现局部化,而且局部化的体积分数也可能更大,这两者都导致较粗微观结构中高误差的模拟数量较多。U-PolyConformer模型在测试集中的形态泛化能力可以归因于其捕捉广泛晶粒尺寸范围的模式的能力。在Voronoi镶嵌中,晶粒尺寸本质上与晶粒数量相关;当播种的晶粒较少时,平均晶粒尺寸增加。同样,晶粒数量较多时,平均晶粒尺寸减小。这种关系引入了由大晶粒和复杂细晶粒结构组成的多样化形态谱。
图15展示了这种现象的一个例子,其中显示了测试/外推集中两个不同区域的形态。图15(a)中的形态对应于中间测试案例(过滤掉470到520个晶粒之间的形态),形成了晶粒更密集的排列,而图15(b)中的形态是20到70个晶粒之间的中间测试案例,形成了晶粒显著较大的形态。尽管平均晶粒尺寸不同,但两种形态的晶粒尺寸分布与训练和验证数据集仍有重叠。具体来说,图15中每个微观结构的相似晶粒尺寸可以在训练和验证数据集(图2)中找到。
图15. 测试数据集中的示例形态,其中(a)表示470-520个晶粒之间的形态的中位损失,(b)表示20-70个晶粒之间的形态的中位损失。在两种情况下,都显示了三个欧拉角?1、Φ和?2。
如前几节所述,在训练过程中,模型接触到了广泛的晶粒尺寸。这种接触使在不同特征图尺寸下工作的卷积层能够学习晶界中存在的层次化模式的表示,使它们能够识别和泛化晶界的组合,无论是密集排列中的小晶粒到小晶粒,还是稀疏排列中的大晶粒到大晶粒,或是大晶粒到小晶粒的晶界。U-PolyConformer的预测清楚地表明,该模型可以通过利用学习到的层次化表示来适应训练分布之外的形态。具体来说,即使面对未见过的配置,它也能为不同晶粒尺寸和边界的独特空间排列生成有意义的表示,使其对晶粒数量、平均晶粒尺寸和整体空间排列的变化具有鲁棒性。
图16进一步展示了模型的泛化能力,显示了两个模拟的每个输出特征的最终状态。这些模拟展示了测试/外推集中较密集和较稀疏形态的典型(中间)案例,对应于图15中之前显示的形态。在这两种情况下,预测的响应与所有输出特征的实际情况都非常吻合,有效地捕捉了应力和应变分配的总体模式,除了那些具有剧烈局部变化或复杂晶界特征的区域。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图16. 对图15中所示形态的ML和CPFEM预测的可视化,其中(a)表示470-520个晶粒之间的形态的中位损失,(b)表示20-70个晶粒之间的形态的中位损失。每一列代表模拟最后一步的一个输出特征。ML和CPFEM预测之间的偏差主要归因于预测幅度的差异。ML模型有时会高估或低估响应,特别是在微观结构中具有较高强度特征的区域内。这种性能下降可以归因于U-Net学习到的层次化特征表示的局限性。在训练过程中,卷积滤波器被调整以识别和缩放训练数据中存在的特征(如错位和晶界特征)。当遇到远超出此分布的晶粒尺寸和形状时,滤波器难以准确缩放相应的应力/应变场的幅度。因此,在非常粗糙或非常细的微观结构中,模型可能会高估或低估应变局部化的强度,因为学习到的缩放因子不足以覆盖外推几何形状所需的范围。尽管如此,Medium模型在从未见过图15中的微观结构的情况下仍然表现异常出色。4.5. 对未见加载条件的泛化训练和验证数据集中的随机行走加载条件每隔500步(CPFEM)采样一个新的比例加载比ρ∈[?0.5,1]和加载方向c∈{?1,1}。为了评估Medium模型对不同加载频率变化的随机行走加载的泛化能力,生成了另一个包含新加载路径的测试数据集。该测试数据集由加载变化之间有100到1900步的随机行走模拟组成,共18个新的加载变化频率。每个频率生成250个模拟,总计4500个测试模拟。所有数据均按照方法论部分中概述的程序生成,形态数量在120到420个晶粒之间。需要注意的是,加载变化在1000到1900步之间的随机行走只进行一次加载变化,因为所有模拟总共运行2000步。这可以在图17中看到,该图展示了三种不同加载变化频率下的加载条件。下载:下载高分辨率图像(106KB)下载:下载全尺寸图像图17. 每300、500和1900步加载变化的示例加载条件。线型表示加载变化频率,颜色表示加载方向c。图18展示了在验证和扩展测试/外推数据集中考虑的每个随机行走频率的模拟MSE箱形图。在验证数据集中,与随机行走加载相比,模型在单调加载下的表现更好,这反映了形态部分(3.2.2)的结果。这可能归因于不同加载条件对材料通过应力-应变空间路径的影响。更高频率的加载变化会导致材料通过应力-应变空间的路径更加独特,从而引入更大的时空演变变异性。这种更高的变异性增加了随机行走加载预测任务的复杂性。因此,平均而言,单调加载比随机行走加载更易于预测。然而,单调加载更容易发生局部化和卸载,使得模拟的准确预测变得更加困难。因此,单调加载的误差上限与随机行走加载相当。下载:下载高分辨率图像(197KB)下载:下载全尺寸图像图18. 验证数据集和扩展测试数据集中考虑的每个加载频率的模拟MSE箱形图。箱子表示四分位数范围(第25到第75百分位数),而须状部分表示数据的第1到第99百分位数。每500步的加载变化对应于验证数据集中的随机行走,而每2000步的加载变化对应于单调加载。测试/外推数据集遵循相同的趋势;加载变化更频繁的模拟通常表现出更高的损失。然而,与验证数据集相比,加载变化更频繁的模拟的损失更高。尽管有这种变化,误差范围仍然与验证数据中观察到的误差接近,清楚地证明了模型对未见加载路径的泛化能力。一个关键的观察结果是,即使在相似的加载频率下,模型在验证数据集上的损失也更低。这种差异源于每个加载频率允许的通过应力-应变空间的路径分布;每个加载频率都与一组加载路径相关联。加载频率为400、500和600可能会产生相似的加载路径,但模拟过程中的加载变化次数不同(例如分别为5、4和3),因此生成了不同的加载路径分布(图17)。因此,除非它们的频率是整数倍(例如300和900),否则低频随机行走不一定是高频随机行走的子集,后者才能再现低频加载路径。然而,一般来说,每个加载频率都会为固定材料生成自己的加载路径分布(以及通过应力-应变空间的路径)。这可以在图19中看到,该图显示了不同随机行走频率下ML步骤之间输出特征(跳跃)的变化。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图19. 不同随机行走频率下步骤之间输出特征(跳跃)变化的特征分布。每一列对应一个随机行走频率,每一行代表(机器学习)步骤之间输出特征的变化。在单调加载中,由于材料在恒定负载下逐渐积累应力,应力跳跃的分布相对恒定,导致应力状态的变化更加可预测。然而,在随机行走过程中,应力跳跃的分布在加载变化发生的步骤处扩展/峰值,反映了负载变化如何迅速改变应力状态。随着加载变化变得更加频繁,扩展现象更加明显。一旦加载变化每步发生一次(即100次),这些扩展合并成一个连续的分布,表明材料可能通过应力空间的路径高度可变,从而使得预测任务更具挑战性。相反,不同加载变化频率下的应变跳跃演变分布更为相似。在所有情况下,分布在整个模拟过程中相对稳定,只有外部1%的元素表现出小的扩展。然而,当加载变化变得不那么频繁时(图19中的频率为1700和2000),外部0.1%的元素经历了较大的应变跳跃。这可能归因于局部化和卸载的影响,这些在单调加载和高有效应变期间更可能发生,并可能导致与大多数模拟不典型的应变跳跃。总体而言,图19表明加载变化的频率产生了截然不同且新颖的路径分布。因此,即使单调加载和随机行走产生的“相似”加载路径,也不能期望Medium模型在每400或600步加载变化的模拟中表现同样好。此外,图19还显示,验证数据集中的随机行走模拟具有更大的潜在应力和应变路径分布,这解释了随机行走加载实现的略微更高的误差。接下来,为了进一步阐明U-PolyConformer架构在测试/外推数据集上的性能,图20展示了不同随机行走频率下模拟的每个输出特征的均质化CPFEM和机器学习预测。每个模拟都取自随机行走频率在100到800步之间的中位情况,因为它们在测试/外推集中产生了最高的误差。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图20. 测试数据集中CPFEM模拟的均质化响应。列与不同随机行走频率下的中位情况模拟相关联。每一行显示了真实模拟和U-PolyConformer预测的输出特征的均质化响应。报告的RMSE是在均质化真实值和机器学习预测之间取得的。图20清楚地表明,U-PolyConformer架构能够准确捕捉测试/外推集中包含的各种加载频率下的均质化响应。然而,模型在更高频率的随机行走下的性能下降。值得注意的是,模型倾向于高估每300步或更频繁加载变化时的振荡应力响应。U-PolyConformer的外推极限和观察到的性能下降可以通过注意力机制与高频加载变化的相互作用来解释。当加载方向每100-300步变化时,时间序列受到隐藏状态快速、方向性变化的支配。尽管Transformer可以全局关注所有先前的增量,但其注意力层最终是为训练期间看到的时间模式(即每500步的加载变化)进行调整的。更高频率的随机行走引入了一个截然不同的时间范围,在这个范围内,历史数据充满了突然的高方差转换,增加了跟踪材料演变的难度。因此,Transformer难以保持对累积内部状态(例如累积滑移)的稳定估计,这对于准确的应力和应变预测至关重要。这种时间嵌入的高方差解释了振荡响应的高估,并为训练域外观察到的误差增加提供了理论依据。值得注意的是,模型似乎没有受到累积误差的显著影响,并表现出自我纠正行为。这种能力可以归因于Transformer层的全局上下文,它能够关注所有先前的步骤。通过利用全局上下文,模型减少了对可能包含更高误差的单一先前步骤的依赖,从而更好地预测正确的特征轨迹。尽管在更高频率的随机行走中误差较高,但模型在测试/外推集上的表现证明了其能够泛化到训练数据集中的加载路径分布之外。模型有效地捕捉了材料塑性行为的潜在动态,即使对于与测试/外推集相关的新加载条件也是如此。这表明模型已经学会了生成异质材料属性和加载条件变化的稳健表示,使其能够以合理的准确性预测未见路径通过应力-应变空间的路径。为了在各种随机行走频率下获得更好的性能,未来的工作可以直接将它们纳入训练数据中。4.6. 对不同应变硬化行为的泛化训练和验证数据集考虑了硬化参数τ0和h0的范围分别为[10,15] MPa和[245,260] MPa。为了评估模型对未见硬化参数的泛化能力,生成了一个包含τ0和h0值超出训练和验证数据集使用范围的测试数据集。CRSS的τ0范围从[10,15] MPa扩展到[5,20] MPa,参考硬化的h0范围从[240,260] MPa扩展到[235,275] MPa,使每个参数的值范围增加了三倍。为了有效评估模型对每个参数的性能变化,允许其中一个硬化参数落在训练分布范围内,如果另一个值不在范围内。例如,允许τ0在[10,15] MPa的训练分布范围内,前提是h0在[245,260] MPa的范围之外。在方法论部分概述的相同程序下,共生成了5000个额外的模拟结果,这些模拟结果在随机行走和单调加载条件之间均匀分配。图21展示了Medium模型在验证和测试数据集上的评估结果,这些结果是根据硬化参数变化的。对于这两种加载类型,模型性能似乎与参考硬化无关。然而,当参考硬化超出训练范围时,误差略有增加。相比之下,损失与CRSS相关联,对于这两种加载条件都是如此。随着CRSS的增加,模型性能趋于下降。但是,当τ0低于训练数据集中的范围时,模型性能实际上趋于稳定。
下载:下载高分辨率图像(932KB)
下载:下载全尺寸图像
图21. 在验证和硬化测试数据集的每次模拟中,MSE损失与硬化参数τ0(顶部行)和h0(底部行)的比较。结果分为单调(左列)和随机行走(右列)模拟。阴影区域表示使用大小为1和4的滑动窗口计算的50%和90%置信区间。
与验证数据集类似,测试数据集中最高的误差出现在单调加载的模拟中。这可能归因于单调加载模拟产生的较高有效应变以及应力卸载和局部化的倾向。尽管如此,模型能够很好地泛化到更广泛的硬化参数范围内,大多数模拟的结果都在验证数据集观察到的损失范围内。
通过进一步检查硬化参数对单个微观结构应力和应变响应的影响,可以更好地理解硬化参数对模型性能的影响。图22展示了在单轴拉伸下,具有不同硬化参数的固定微观结构(形态和纹理)的均质化响应,这些硬化参数涵盖了训练和测试范围。虽然应变响应没有偏差,但每种硬化参数组合的应力响应都有明显区别。
下载:下载高分辨率图像(482KB)
下载:下载全尺寸图像
图22. 在单轴拉伸下,具有不同硬化参数的固定微观结构的均质化响应。
值得注意的是,τ0的选择显著改变了应力响应,形成了四个不同的组,对应于考虑的四个值。这四个组在应力幅度上有明显区别,但在形状上也有所不同。相比之下,h0的值对应力响应的变化相对较小。
因此,对于相同的微观结构和加载条件,模型必须在不改变预测应变状态的情况下适应广泛的应力状态。具体来说,当τ0超出训练数据集中使用的范围时,应力水平将开始超过训练数据集中类似模拟观察到的典型值。这对模型来说是一个挑战,因为它没有经历过如此高的应力幅度。更重要的是,τ0和h0控制着塑性演化的速率,从而改变了应力响应的斜率和曲率。因此,虽然较高的误差直接是由于应力值超出了训练期间观察到的范围,但根本原因是Transformer在推断塑性滑移积累速率方面的能力有限。Transformer中的注意力机制学习产生与训练数据中存在的硬化速率相匹配的时间嵌入。当τ0被外推到更高的范围时,真实的塑性响应以超出模型学习的时间动态的速率演变。由于每个预测都依赖于完整的塑性滑移累积历史,即使是很小的误差也可能累积起来,导致应力和应变预测出现有意义的偏差,从而增加MSE损失。
相反,当τ0低于训练范围时,得到的硬化行为与训练分布相似。因此,应力响应保持在模型已经学习的分布范围内,减少了累积的时间误差,使预测任务变得更加容易。这种不对称性解释了为什么当这些参数超出训练范围的上限时损失会急剧增加,而当它们低于训练范围时损失会趋于稳定。
4.7. 在真实微观结构上的评估
与之前的方法一致,这项工作依赖于合成生成的微观结构来训练和验证U-PolyConformer。虽然晶体学取向来自AA5754的EBSD,但形态是使用Voronoi镶嵌生成的,尽管与真实材料有相似之处,但仍会有明显的偏差。因此,为了展示U-PolyConformer在真实微观结构上的性能,采用了铝合金AA5754的实验微观结构进行进一步评估。图23展示了用于生成RVE的EBSD图和{111}极图。
下载:下载高分辨率图像(333KB)
下载:下载全尺寸图像
图23. 实验AA5754微观结构:(a) 用于生成RVE的EBSD图;(b) {111}极图。
使用实验微观结构在单调单轴拉伸和随机行走加载下生成了CPFEM模拟,硬化参数在训练范围内随机采样。图24和图25分别展示了两种加载条件下的CPFEM和ML预测。尽管AA5754微观结构的形态与训练期间使用的Voronoi镶嵌明显不同,模型仍能高保真地捕捉到材料的响应,偏差很小。模型在单轴拉伸和随机行走加载情况下的MSE损失分别为0.09和0.05,都在验证数据集观察到的范围内。总体而言,这些结果说明了U-PolyConformer可以应用于真实微观结构,并验证了通过Voronoi镶嵌生成的合成微观结构用于训练的合理性。
下载:下载高分辨率图像(1007KB)
下载:下载全尺寸图像
图24. 单轴拉伸下实验AA5754微观结构的可视化。每一列代表一个输出特征。从上到下的前三行分别对应于真实的CPFEM模拟、机器学习预测以及模拟最后一步的未归一化元素级误差。最后一行显示了所有步骤中每个输出特征的均质化CPEM和ML预测。
下载:下载高分辨率图像(1005KB)
下载:下载全尺寸图像
图25. 随机行走加载下实验AA5754微观结构的可视化。每一列代表一个输出特征。从上到下的前三行分别对应于真实的CPFEM模拟、机器学习预测以及模拟最后一步的未归一化元素级误差。最后一行显示了所有步骤中每个输出特征的均质化CPEM和ML预测。
5. 微观结构工程
为了展示U-PolyConformer架构在工程应用中的实用性,采用了方法论中介绍的优化框架来改善一组微观结构的可成形性(延迟局部变形的开始)。共选择了100个微观结构进行优化,每个微观结构在单调平面应变加载下都表现出过早的局部化。本节的目标是展示如何使用U-PolyConformer在提出的优化框架中选择性地识别引发过早局部化的晶粒,并调整它们的取向以增强材料的可成形性。选择平面应变加载是因为它通常对应于成形极限图上的最低点,因此是最具挑战性的条件,从而提供了最大的可成形性改进潜力。
每个微观结构使用AdamW优化器进行了总共500步的优化,学习率为0.1。softmax操作中的温度参数(方程(13)设置为0.01,以提供更清晰的分布,从而更自信地选择晶粒。为了限制微观结构的完全粗化,晶粒被限制吸收其第一和第二阶邻居(如方法论中所述)。
目标函数(方程(12)的实现仅限于主要应力分量(即σ11)。这一选择是基于观察到严重的局部化通常会在剪切带周围的基体中引起应力卸载,这会产生强烈的晶粒不兼容性信号,而这些信号并不能完全通过应变分量来表示。在目标函数中包含额外的应力和应变特征可能会稀释这一信号,并降低优化过程的敏感性。
为了评估优化过程中微观结构的改进情况,使用了一个简单的可成形性指标。当均质化的主要应力响应σ11达到其最大值时,该时间步长的相应主要应变ε11被视为成形应变。请注意,这一假设通常适用于平面应变条件,这个度量可以作为微观结构在局部化开始之前能够承受的变形量的代理。
对于这100个微观结构中的每一个,图26比较了优化前后的成形应变。总体而言,所提出的优化框架展示了强大的能力,可以改变/更新晶粒形态以提高可成形性。绝大多数微观结构在优化后实现了超过20%的可成形性改进,有些情况下甚至超过了35%。然而,也有一些微观结构未能得到改进。这些次优结果可能是由于对优化框架的限制(例如晶粒生长仅限于第二阶邻居)、选定的优化超参数(例如学习率、温度、优化步骤),或者这些微观结构在形态和取向不兼容性方面的组合较差。
下载:下载高分辨率图像(142KB)
下载:下载全尺寸图像
图26. 每个微观结构在优化前(x轴)和优化后(y轴)的可成形性应变。
重要的是要重申,本工作中使用的CPFEM框架没有明确包括晶粒尺寸效应或晶界相关机制,如位错堆积。因此,观察到的可成形性改进严格来说是由于消除了形态和晶体学取向的不兼容性。在这种情况下,优化框架通过更有利的取向对齐和几何配置有效地重新分配了应变,减少了局部不兼容性,并促进了更均匀的变形。
为了展示优化过程中微观结构的变化,图27展示了一个示例优化案例,该案例在251步优化后将可成形性应变从0.13提高到了0.17。原始微观结构表现出早期局部化(图的左上角),其特征是剪切带贯穿了RVE的高度以及周围基体的应力卸载。优化框架通过针对主导剪切带上的特定晶粒有效地延迟了这一开始。总共只有5个晶粒被相邻晶粒完全吸收,所有这些晶粒都位于或靠近局部化区域(中间行的最右侧子图)。每个晶粒的编号对应于成形应变的一个步骤变化(右上角子图)。值得注意的是,第二个和第三个发生变化的晶粒对局部化的开始贡献最大。
下载:下载高分辨率图像(728KB)
下载:下载全尺寸图像
图27. 微观结构优化的示例案例:在顶部行(a)和(b)中分别对应于加载结束时的原始和优化微观结构的应力(σ11)状态;(c)显示了优化步骤中的成形应变。中间行显示了表现出剪切带的区域的逆极图(IVP),其中(d)是原始微观结构,(e,f)是在使用(e)优化微观结构和(f)原始微观结构优化期间受影响元素的应力响应上叠加的IVP。最后一行(g-i)显示了(d-f)中可见的纹理的极图。
随着优化的进行,由于贡献剪切带的主要晶粒已经被解决,两个位于剪切带更远处的额外晶粒被吸收,优化框架开始针对不太关键的晶粒不兼容性进行优化。尽管优化框架能够改变微观结构中的任何晶粒,并且没有关于成形应变的明确反馈,但它能够选择性地改变晶粒以最大化可成形性。这表明所提出的晶粒内特征方差损失非常适合晶粒形态优化。
应当注意的是,这些结果与先前的研究一致,这些研究已经确定,沿着剪切带或变形带的晶粒,即高储存能量的区域,是再结晶过程中成核和消耗的主要候选者(Brahme等人,2025年;Doherty,1974年;Feng和Knezevic,2025年;Jensen和Zhang,2023年)。Rossiter等人(2013年)的研究表明,相邻的软硬晶粒取向的特定组合可能导致局部化现象的出现,并最终引发材料失效。本文展示的微观结构工程方法显著消除了微观结构中的这些不利组合,成功延缓了局部化的发生,并最大化了材料的可成形性。为了验证这些结果,使用真实的CPFEM代码对图27中所示的优化微观结构进行了模拟。图28展示了机器学习(ML)和CPFEM对优化微观结构的预测结果进行比较。除了少数偏差外,优化后的ML预测结果与CPFEM预测结果非常吻合。
下载:下载高分辨率图像(998KB)
下载:下载全尺寸图像
图28. 图27中所示优化微观结构的ML和CPFEM预测结果对比。每一列代表一个输出特征。从上到下的前三行分别对应真实的CPFEM模拟结果、机器学习预测结果以及模拟最后一步的未归一化的单元误差。最后一行显示了所有步骤中每个输出特征的均质化CPEM和ML预测结果。
总体而言,这项优化研究展示了U-PolyConformer在实际工程应用中的潜力,这些应用使用传统的CPFEM方法是无法实现的。需要指出的是,如果仅使用CPFEM进行类似的优化研究,将需要大量的计算资源。每次优化步骤平均需要1.6秒,而图27中的优化微观结构在7分钟内就能确定出来,而使用CPFEM则需要125小时。此外,CPFEM是一种基于搜索的算法,难以选择性和高效地针对不兼容的晶粒进行优化,相比之下,所提出的基于梯度的方法可以减少优化步骤和模拟次数。
在实践中,无法像优化框架那样将晶粒生长限制在有限的晶粒子集内。为了在优化过程中产生更符合物理实际的微观结构,应将U-PolyConformer与可微分的SRX模型结合使用。理想情况下,采用的模型应该是基于机器学习的,以便在退火和冷加工阶段实现梯度流动和优化。这种结合方法可以为优化温度-时间曲线(热处理等)提供明确的指导,从而获得具有更好延展性的微观结构,因为基于机器学习的框架能够即时预测任何给定温度-时间曲线下的宏观微观结构变化。
所提出的优化框架的另一个优势是它能够识别出导致局部化现象的晶粒。使用CPFEM进行这种识别在计算上是不可行的,而且几乎没有其他算法能够提供这种级别的洞察力。因此,所提出的优化框架为大规模分析形态和纹理如何影响材料失效提供了可能性。
尽管本研究主要关注晶粒形态,但也可以开发类似的策略来评估纹理、硬化行为和其他微观结构特性如何影响各种性能指标。通过对更复杂的材料系统进行训练,将进一步增强这一能力,并为提高我们对塑性的理解提供有价值的工具,同时为优化材料性能(如可成形性、断裂韧性、疲劳等)提供可能的材料加工途径。
6. 所提模型的局限性
虽然本文提出的方法在预测CPFEM模拟的全场响应方面相比现有的机器学习方法有显著改进,但在继续推广对异质材料的预测方面仍有许多改进空间。以下是所提工作局限性的全面概述以及未来发展的潜在方向:
1. 更广泛的加载条件
本研究仅考虑了固定间隔的加载变化频率。虽然预计U-PolyConformer模型在经过训练后能够很好地处理随机频率的随机行走加载,但如果不进行额外训练,则无法推广到这些情况,这超出了本文的范围。此外,本研究中的模拟仅关注无剪切或不同应变率的比例加载。引入剪切加载或不同的应变率可以大大扩展模型需要捕捉的应变和应力分布。为了捕捉剪切和/或其他应变率,U-PolyConformer框架可以像使用比例加载作为输入一样,加入额外的输入特征。
2. 时间分辨率与计算效率的提升
Transformer层的使用引入了一个关于时间分辨率的基本权衡。当前实现的U-PolyConformer将每个元素的变形历史处理为20帧的固定长度序列。虽然这种全局注意力机制使模型能够捕捉长距离依赖性,同时限制了自回归模型常见的变形历史误差累积和压缩,但它受到自注意力二次计算复杂性的限制(即O(T^2))。因此,将序列长度扩展到与真实CPFEM相匹配的水平(例如,每个元素2000个增量,即10,000个)将降低训练和推理速度,并需要更多的计算资源。这种限制在解决路径依赖现象(如应变局部化和应力卸载)时尤为明显。这些现象具有高度非线性,并可能在子采样帧之间发生快速分叉。当前的时间离散化(每100步一次)实际上是对变形历史的一种低通滤波,可能会平滑与局部化开始相关的最急剧的瞬态响应。尽管存在这一限制,结果仍然表明U-PolyConformer成功捕捉到了剪切带的形成及其相关的应力重分布。这表明20帧序列保留了足够的信息来映射变形路径的关键点,即使不稳定性发生的确切时刻位于预测步骤之间。
为了评估U-PolyConformer集成到组件级有限元模拟中的优点,未来工作必须评估其在这些中间步骤之间的插值能力。这涉及在CPFEM数据的更细粒度采样上测试模型,例如每50步采样一次,而不是这里使用的100步采样。为了使这种计算在涉及细粒度时间采样或较大有效应变的长时间序列中变得可行,可以调整架构以包含线性复杂度的注意力机制(Choromanski等人,2020年;Wang等人,2020年)或滑动窗口注意力(Beltagy等人,2020年)。这些修改将允许更长的序列长度,使模型能够解析高频时间动态和高达更高有效应变的模拟变形,而不会牺牲路径依赖塑性所需的全局上下文。
3. 三维微观结构
本研究中的CPFEM模拟采用了平面应力假设下的二维RVEs,以减少生成数据集的计算负担,并允许对U-PolyConformer进行大规模分析。尽管平面应力假设在二维壳单元的板材成形应用中很常见,但它通过忽略材料厚度来简化了模拟的复杂性。然而,U-PolyConformer框架可以通过使用三维卷积来自然扩展到三维CPFEM模拟,而不是本文中使用的二维卷积。虽然使用三维卷积会增加可学习权重的数量和计算成本,但小型和中型模型在较少的可学习参数下仍取得了良好的性能。这表明它们的三维变体可以在像Nvidia 32GB V100这样的高端GPU上有效训练和部署。除了增加的训练成本外,将此框架扩展到三维的另一个关键方面是生成数据集的计算成本。虽然本文中的结果使用了27,000次训练模拟,但附录中的最小数据集大小研究表明,只需9000次模拟就能达到类似的性能。此外,三维RVEs在每次模拟中提供了比二维RVEs更丰富的空间信息和晶粒相互作用。因此,预计需要相对较小的三维微观结构数据集。
为了进一步降低三维数据生成的计算成本,可以利用迁移学习技术。具体来说,可以在现有的二维数据集上预训练的U-PolyConformer通过沿第三维度重复二维卷积权重来适应三维任务(Carreira等人,2017年)。这种初始化策略为模型提供了表示微观结构特征的强大基础,可能减少所需的三维CPFEM数据集的大小。最后,可以采用多保真度训练方法来减少对昂贵三维CPFEM模拟的依赖。例如,可以使用CP-FFT求解器生成的快速、低保真度的三维模拟进行初始预训练,以捕捉一般的微观结构演变。然后可以在较小的高保真度三维CPFEM数据集上对预训练模型进行微调。Amirian等人(2025年)提出的ML-FFT求解器是一个有前景的方法,它将CP-FFT的成本降低了93.3%,可以作为基础训练数据集的有效生成器。
4. 提高泛化能力
尽管在硬化行为、微观结构形态和加载条件等方面展示了强大的泛化能力,但仍有机会通过引入物理信息损失项来进一步提高U-PolyConformer的泛化能力。在训练过程中,模型学会了表示观察(训练)域内晶体材料塑性行为的流形。然而,如果没有特定的归纳偏见,模型缺乏在训练域之外定义该流形的结构知识。通过引入利用自动微分来强制平衡方程或能量最小化的物理基础损失项,模型可以更好地遵循物理定律,即使在外推范围内也是如此(Raissi等人,2019年)。这种方法将更好地指导塑性流形的结构,最小化时间依赖的误差累积,并可能减少所需的训练样本数量。
5. 真实材料中的随机性
由于底层的CPFEM框架是确定性的,因此U-PolyConformer也是使用确定性机器学习算法设计的。然而,如局部化这样的复杂物理现象在真实材料中表现出随机行为。为了使U-PolyConformer能够捕捉真实材料实验数据的随机性,可以将生成式机器学习技术(如扩散)自然地引入U-PolyConformer框架。最近,Meyer和Mohr(2025年)展示了在U-Net框架中使用扩散模型的实用性。他们的研究成功展示了生成建模在全场应变预测中的应用,即使在关键输入参数未知的情况下也能量化不确定性并生成统计上有意义的结果。
7. 未来工作与应用
本文并不建议用基于机器学习的替代方法取代传统的数值方法。物理驱动的框架始终是进一步发展我们对异质材料理解并提高建模能力所必需的。相反,目标是引入一个机器学习框架,以便充分利用这些现有框架的预测能力,以加速和泛化的形式。U-PolyConformer的一个直接应用是进行失效分析(预测扩散和局部化颈缩的发生)以及优化具有复杂变形模式的冷加工应用(如金属成形、轧制和冷锻)的微观结构。虽然当前研究已经证明了其在优化微观结构形态以延缓局部化方面的有效性,但这只是其潜力的一部分。除了速度之外,机器学习替代模型相对于传统数值框架的一个优势是它们是完全可微分的,因此支持基于梯度的优化。这使得U-PolyConformer能够直接将性能指标(如峰值应力、局部化)映射到微观结构特征(如纹理、形态、硬化)。这种能力使模型非常适合大规模微观结构逆向设计应用,能够识别新的性能-属性关系,并优化微观结构以在特定的加工和加载条件下实现所需的机械响应,远远超出了仅关注形态的范围。
材料工程中的另一个核心挑战是跨越控制材料行为的长度尺度。在组件尺度上预测材料性能受到多种因素的影响,这些因素取决于宏观尺度上的应变路径、微观尺度上的材料化学成分、位错结构等。由于计算限制,构建一个能够捕捉整个范围的单一数值模型几乎是不可能的。然而,U-PolyConformer通过充当中间桥梁提供了实用的解决方案。该模型可以将微观结构属性(由分子动力学或离散位错动力学等低阶模型提供)与从组件级FEA模拟获得的应变路径(即加载条件)结合起来。这种多尺度数据流的耦合可能在组件级决策中带来巨大益处,因为这些决策是基于现实加载条件下的微观结构行为做出的。U-PolyConformer能够预测多种微观结构在变形过程中的微观结构演变,因此非常适合与静态再结晶(SRX)模型结合,以预测后续热机械处理过程中的演变。此外,该框架还可以扩展到用于同步耦合的高温成形过程,如动态再结晶。这些能力将使得材料演变的端到端热机械过程建模加速,不仅能够优化微观结构以实现目标性能,还能设计出实现这些性能所需的热机械加工路线。U-PolyConformer架构代表了向通用微观结构演化基础模型迈出的重要一步,只要有足够的数据,它就能够捕捉到各种异质材料在变形过程中的行为。其卓越的速度、精心的架构设计和数据效率使其特别适合集成到自主实验室(SDLs)和其他智能材料研究平台中。通过并行评估整个变形历史而不是自回归分析,该模型避免了误差累积,并实现了准确的长期预测。由于框架的灵活性以及训练数据集中考虑了广泛的微观结构和加载条件,该模型可以轻松地针对新合金进行微调。凭借可扩展的模型规模(即小型、中型和大型)以及仅通过9000次模拟就能实现的强大性能,U-PolyConformer成为加速材料工程和发现的实用而强大的工具。
8. 结论
基于机器学习的计算材料框架的未来具有巨大潜力。目前使用传统数值框架(如微观结构优化、逆向设计、高通量筛选和热机械过程优化)难以实现的应用,可能会借助高保真的机器学习框架变得可行,从而有助于开发功能优化的材料。然而,要实现这一功能优化的异质材料设计和加工路线的愿景,需要提高现有机器学习方法的泛化能力。值得注意的是,现有的捕捉空间分辨微观结构异质性的方法无法考虑时间依赖性,例如任意加载条件。为了解决这一文献中的空白,本文介绍了U-PolyConformer,这是一种高效的时空模型,它将Transformer层集成到了U-net框架中。所提出的机器学习框架是第一个能够准确捕捉FCC多晶体(纹理和晶粒形态)在单调加载和随机行走加载条件下的全场应变局部化(剪切带)和应力卸载的模型。该模型的开发和训练涉及30,000次模拟的大量数据生成过程以及彻底的架构消融研究。虽然训练数据集旨在确保泛化能力,但方法论部分进行的分析表明,只需要9000次模拟就能达到可比的性能。
这项工作的主要重点是展示该模型在广泛的微观结构、硬化行为和加载条件下的泛化能力(这在之前的文献中尚未完全证明),其速度比CPFEM快了7,900倍,同时保持了高精度。U-PolyConformer的这些能力使其成为评估异质材料性能(均匀和非均匀变形、扩散颈缩的起始等)的理想替代模型。计算效率高的替代模型的一个关键应用是微观结构优化,由于传统数值方法(如CPFEM)的计算成本高且缺乏可微性,这通常是不可行的。本文介绍了一种基于梯度的优化框架,该框架利用U-PolyConformer的可微性和效率来优化微观结构形态,以提高成形性,这是首次使用机器学习进行全场微观结构优化的应用。该优化框架通过最小化晶内应力和应变变化来识别和修改过早开始局部化的晶粒,从而成功提高了微观结构的成形性。
代码可用性
本研究的基础机器学习代码未公开,但经通讯作者同意后可以向符合条件的研究人员提供。本研究的基础CPFEM代码[以及训练/验证/测试数据集]出于专利原因未公开。
作者声明
本文的作者声明本文是原创的,之前未发表过,目前也没有在其他地方考虑发表。我们确认所有署名的作者都已阅读并批准了本文,并且没有其他符合作者资格但未列出的人。我们进一步确认我们已批准了文中列出的作者顺序。我们理解通讯作者是编辑流程的唯一联系人,他/她负责与其他作者沟通进展、提交修订稿和最终批准校样。
CRediT作者贡献声明
Dylan Budnick:写作 - 审稿与编辑、撰写初稿、可视化、验证、方法论、调查、形式分析、数据管理、概念化。
Benhour Amirian:写作 - 审稿与编辑、方法论、调查。
Abhijit Brahme:写作 - 审稿与编辑、撰写初稿、方法论、概念化。
Haitham El-Kadiri:写作 - 审稿与编辑、监督、概念化。
Kaan Inal:写作 - 审稿与编辑、资源管理、项目管理、方法论、资金获取、概念化。