首页/文章/ 详情

晶体塑性网格怎么选?从平均曲线查到局部场与RVE

10分钟前浏览0

DOI:10.1016/j.ijplas.2019.06.001

推荐理由

应力—应变曲线已经接近,热点还会随网格变化吗?晶粒数增多,就一定能代表宏观材料吗?Lim等将网格离散与统计代表性放在同一套数值研究中,提醒我们按目标量判断收敛。

作者研究思路

作者采用FCC晶体塑性、单点积分六面体单元,先比较43种单晶取向、不同硬化律和边界约束,再检查125晶粒多晶。随后用立方晶粒及动力学蒙特卡洛(kMC)组织,共240次随机实现研究代表性体积单元(RVE)。

贡献在于拆分敏感性来源,联系平均量、局部场和组织统计。主加载速率为10⁻³s⁻¹,主要比较至10%变形,并未提出新本构。

核心公式

主算例用位错密度ρ决定滑移阻力;κ₁、κ₂分别控制位错生成与湮灭,μ为剪切模量,b为柏氏矢量模。

原位错硬化公式

图 1|原式2、3。硬化规则会通过滑移与晶体转动影响网格敏感性。

相对细网格误差原式

图 2|原脚注1:以100³细网格的平均Mises应力为参照。这是离散差,不是实验误差;100³也不是解析真解。

核心结果图

取向与网格曲线

图 3|原图4。取向1几乎不受网格影响,取向28明显敏感;不能用一个对称取向替代全部取向检查。

平均与最大误差

图 4|原图6。43取向采样中,10%变形、每晶粒10³单元时,体积平均应力的最大相对差仍约5.7%。取向间平均值会掩盖最敏感情况。

单晶局部应力

图 5|原图7应力。取向14、10%近等体积变形;四网格共用原应力色标。

单晶局部塑性应变

图 6|原图7等效塑性应变。细网格揭示更集中的变形,局部场通常比平均量更难收敛。

单晶局部转动

图 7|原图7取向转角。这里是相对初始取向的转动,不能直接当作晶界错配或位错密度。

硬化与网格敏感性

图 8|原图8。三硬化律匹配[001]单晶曲线后,网格敏感性仍不同;此处滑移硬化较小,并不证明其物理上更准确。

边界约束的影响

图 9|原图10。横向自由的BC4敏感性较低;它难以直接代表被邻晶约束的内部晶粒。

多晶平均响应

图 10|原图11。125晶粒多晶的曲线与细网格差;图例给的是每晶粒单元数。

多晶局部应力

图 11|原图12。10%拉伸后的中截面应力。总网格与每晶粒网格要分清,局域应力须单独检查。

多次RVE实现

图 12|原图14d/f。约18与1150晶粒kMC组织各20次实现,晶粒增多后曲线离散减小。

RVE统计离散

图 13|原图15。10%拉伸时约千晶粒对应应力变异系数CV约1%,衡量的是实现间波动,不是局部场误差。

作者核心结论

取向、硬化与约束共同影响网格敏感性。作者给出约千晶粒、每晶粒万级单元的量级建议;应随载荷、应变及目标量复核,不能当通用1%精度保证。

对我们的启示

本文分析:固定组织做网格细化,分别检查平均与局部量,再增加晶粒数和随机实现。文中RVE系列固定总网格,晶粒增多也会摊薄每晶粒分辨率,因此统计与离散误差仍需分开复核。


来源:Lim等,International Journal of Plasticity 121(2019)101–115。图式节选自原文,作裁切、纵排及色标重复;权属原作者及出版方。

来源:我的博士日记
通用材料控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-11-17
最近编辑:10分钟前
此生君子意逍遥
博士 签名征集中
获赞 62粉丝 134文章 181课程 0
点赞
收藏
作者推荐

晶体取向预测失准,先检查欧拉角的边界

DOI:10.1016/j.cma.2021.114392推荐理由晶体只转动一点,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。作者研究思路作者用全约束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。核心公式 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。核心结果图 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%。作者核心结论消除表示断点,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。对我们的启示本文分析: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。来源:我的博士日记

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈