Correlações de densidade de deslocamento de aprendizado de máquina e efeitos de soluto em Mg

Jun 09, 2023

Scientific Reports volume 13, Artigo número: 11114 (2023) Citar este artigo

1194 Acessos

7 Altmétrico

Detalhes das métricas

As ligas de magnésio, entre os materiais estruturais mais leves, representam excelentes candidatos para aplicações leves. No entanto, as aplicações industriais permanecem limitadas devido à resistência e ductilidade relativamente baixas. Foi demonstrado que a liga em solução sólida aumenta a ductilidade e a conformabilidade do Mg em concentrações relativamente baixas. Os solutos de Zn são significativamente econômicos e comuns. No entanto, os mecanismos intrínsecos pelos quais a adição de solutos leva à melhoria da ductilidade permanecem controversos. Aqui, usando uma análise de alto rendimento de características intragranulares através de abordagens de ciência de dados, estudamos a evolução da densidade de deslocamento em Mg policristalino e também em ligas de Mg-Zn. Aplicamos técnicas de aprendizado de máquina na comparação de imagens de difração de retroespalhamento de elétrons (EBSD) das amostras antes/depois da liga e antes/depois da deformação para extrair o histórico de deformação de grãos individuais e para prever o nível de densidade de deslocamento após a liga e após a deformação. Nossos resultados são promissores dado que previsões moderadas (coeficiente de determinação \(R^2\) variando de 0,25 a 0,32) já são alcançadas com um conjunto de dados relativamente pequeno (\(\sim\) 5000 grãos submilimétricos).

A deformação plástica de materiais cristalinos é um problema em muitas escalas de comprimento. Do nível atômico do núcleo de deslocamento à dinâmica de deslocamento coletivo em mesoescala e, finalmente, à dinâmica dos limites de grão em policristais, os mecanismos de deslocamento determinam as propriedades mecânicas e físicas. No magnésio hcp monocristalino, a interação entre mecanismos de deslizamento basais e não basais leva a baixa resistência e ductilidade, restringindo assim possíveis aplicações. No entanto, devido ao baixo peso do magnésio, é altamente buscado melhorar a resistência e a ductilidade dos materiais à base de Mg por meio de ligas1.

Enquanto isso, a informática de materiais tornou-se um paradigma emergente no estudo e design de materiais avançados2,3,4. As ferramentas de ciência de dados e aprendizado de máquina podem agilizar, por exemplo, a busca experimental de composições ideais de ligas à base de Mg em relação às propriedades mecânicas desejadas5,6. De forma mais geral, esta perspectiva quantitativa pode fornecer mais informações sobre a evolução microestrutural e da densidade de deslocamento local . Em policristais, o aprendizado de máquina pode permitir a previsão de propriedades de grãos desde a resposta ao estresse9,10,11 até a nucleação dupla12,13,14 e, recentemente, a representação baseada em gráficos da estrutura granular mostrou-se promissora11,15,16.

Na busca de melhorar a ductilidade e a resistência das ligas à base de Mg, é imperativo capturar os mecanismos precisos que ditam as propriedades mecânicas. Neste contexto, este artigo promove uma abordagem de ciência de dados para a compreensão da evolução da densidade de discordâncias, o componente chave da resposta mecânica em metais avançados. Seguimos essa abordagem de ciência de dados em relação ao modo como os protocolos experimentais comuns procedem. Para este propósito, comparamos imagens EBSD de amostras de Mg puro e uma liga policristalina de Mg-Zn (2% em peso de Zn) representadas na Fig. 1, que foram originalmente introduzidas em 17 (juntamente com os detalhes de preparação da amostra). As amostras em forma de osso de cachorro tinham tamanho final com \(\sim 3\,\)mm de espessura e \(10\,\) mm de comprimento de referência e as imagens EBSD cobriram uma área de aproximadamente \(1,0 \times 0,7\) mm\(^2\) com cerca de 4.000 e 6.000 grãos iniciais nas amostras de Mg puro e de liga, respectivamente. O tamanho médio de grão em ambas as amostras foi semelhante, \(\approx 13\, \upmu m\). As amostras também foram deformadas a 10% de deformação e imagens EBSD de baixa resolução foram produzidas pós-deformação, gerando assim quatro classes, no total, de imagens EBSD, o núcleo das investigações neste trabalho.

Analisamos as densidades de discordância juntamente com as propriedades dos limites de grão nas duas amostras antes e depois dos testes de tração com uma taxa de deformação verdadeira de \(10^{-3}\) s\(^{-1}\), atingindo aproximadamente \(10 \%\) variedade. Observe que observamos as amostras post-mortem com deformação elástica zero. O objetivo do estudo é duplo: primeiro, deduzir o histórico de deformação de grãos únicos a partir das densidades de deslocamento medidas . E segundo, formular previsões de evoluções da densidade de discordâncias no nível granular , devido aos efeitos combinados de deformação e liga. Especialmente este último é vital para decifrar possíveis pontos críticos de densidade de deslocamento que podem ter grande impacto no endurecimento do trabalho. No entanto, devido ao acesso a apenas algumas imagens EBSD de baixa resolução, o escopo do nosso estudo é mostrar as possibilidades das abordagens de ciência de dados mencionadas, enquanto uma implementação mais detalhada é deixada para trabalhos futuros.