DOI:10.1016/j.cma.2021.114392
晶体只转动一点,欧拉角却可能从接近2π跳到0。网络学到的“大跳跃”,有时只是坐标表示跨过了边界。Saidi等在《CMAME》的这篇研究,从数据表示入手改善取向演化预测,值得做晶体塑性代理模型的同学参考。
作者用全约束Taylor模型生成FCC晶体平面应变压缩数据,模拟轧制至30%压下量。直接学习欧拉角、或逐帧映射到基本区FZ,都可能出现路径断点。
关键贡献是三步预处理:生成24种对称等价表示;用密度聚类DBSCAN寻找包含全部31个变形状态、标签不重复的路径;若有多个候选,选FZ内点最多的一条。随后分别训练前馈网络ANN和门控循环网络GRU。
图 1|原图3。改变的是同一晶体取向的数值表示,真实旋转没有被改写;所选路径也不必始终留在FZ内。
补充式4中,g为取向矩阵,Oᵢ为立方晶体的旋转对称算子,gᵢ与g代表同一物理取向。
补充式5、6由相对旋转矩阵计算夹角θ,再在对称等价表示间取最小值,得到最小取向差。评价预测时,不能只看三个欧拉角逐项相差多少。
图 2|原图2c1。未经预处理的欧拉角误差在边界附近集中,说明表示方式会影响学习难度。
图 3|原图5a。连续路径预处理后,ANN相对Taylor测试数据的取向差有95%小于3°。
图 4|原图6。GRU取向差分布峰值约0.2°,这里的参照仍是Taylor数据,并非实验误差。
图 5|原表S1。同为5层、每层100节点,FZ表示的score为0.88,预处理后为0.997,迭代数由200降至20。score不是实验准确率。
图 6|原图7。商业纯铝室温轧制,累计压下量6%、12%、18%、24%;分别为EBSD、ANN和RNN的RD反极图织构强度。
图 7|原图S11节选。24%时依次为实测、ANN和RNN的ND反极图空间分布,保留原色键与500μm标尺。RNN结果更接近实测。
图 8|原图S12示意。实验RNN每阶段从前一次实测状态起步,由Taylor生成中间短历史,再预测下一状态;这不是仅靠初始组织自由递推至24%。
消除表示断点,可以明显改善取向路径的可学习性,但不能消除Taylor模型的物理近似。当前聚类主要适用于中小变形、路径单次离开FZ的情况;复杂反复跨界仍需扩展。
本文分析:扩大网络前,先检查周期边界、晶体对称性与标签表示。还应按完整原始轨迹分组留出测试,并单独检验自由递推,区分代理误差、物理模型误差与实验状态更新带来的收益。
来源:Saidi等,Computer Methods in Applied Mechanics and Engineering 389 (2022), 114392及补充材料。图式用于学术评述,版权归原作者及出版方。