晶界等微观结构特征在多晶金属的宏观塑性响应中起着重要作用。然而，仍然缺乏在晶界处的塑性应变积累与塑性主导现象中的材料响应之间的定量联系。

在这里，伊利诺伊大学的研究人员寻求在塑性变形过程中开发材料的粒状微观结构与微观结构水平上塑性应变积累之间的预测关系。

应用单输入神经网络方法来预测奥氏体不锈钢晶界周围区域的残余塑性应变场。神经网络接受了通过应用超高分辨率数字图像相关 (DIC) 实验技术获得的数据进行训练，该技术允许测量与从电子背散射衍射 (EBSD) 扫描获得的底层微观结构对齐的晶粒尺度应变。

对于大多数测试案例，神经网络预测的和 DIC 测量的应变场显示出良好的相关性。当每个微观结构用于预测其自身情况下的场时，发现了最佳的个体一致性。然而，当多个样本用于网络训练时，可以看到最佳的总体平均预测。

结果表明，晶界和加载轴之间的局部几何角度在许多情况下是给定边界处应变积累的良好预测指标。这种单一参数方法的预期局限性（例如，单独的晶界角不能很好地预测沿直线晶界变化的应变），这被视为导致预测效果不佳的原因。

该研究以「Machine Learning Neural-Network Predictions for Grain-Boundary Strain Accumulation in a Polycrystalline Metal」为题，于 2021 年 1 月 20 日发布在《Experimental Mechanics》。

论文链接：https://link.springer.com/article/10.1007%2Fs11340-020-00687-1

内容中包含的图片若涉及版权问题，请及时与我们联系删除