权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

シミュレーションによる界面物性の新規異方性を考慮した凝固組織制御法の構築

通过模拟开发考虑新的界面物理性质各向异性的凝固组织控制方法

基本信息

批准号：
20J10486
负责人：
金根佑
金额：
$ 1.22万
依托单位：
Hokkaido University
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-24 至 2022-03-31
项目状态：
已结题

项目摘要

合金の固液界面エネルギーの異方性は凝固組織の形態を決定する重要な因子である．fcc合金は二つの異方性パラメータによって固液界面エネルギーの異方性が記述される．しかし，多くの合金系においてその異方性パラメータの値は不明であり，実験，計算による推定も困難なのが現状である．本研究では，逆解析的なアプローチとしてシミュレーションで得られた多様な組織形態から，逆に異方性パラメータを推定することを試みた．また，凝固組織の3次元形態を扱うのは難しいため，形態の特徴のみを抽出し2次元で表すことができる interfacial shape distribution (ISD) マップに着目した．本研究では，フェーズフィールド・シミュレーションを用いて，多様な異方性パラメータのセットにおけるfcc二元系合金の等温凝固シミュレーションを行なった．それから得られたISDマップを学習データとし，convolutional neural network (CNN)を用いて学習させ，異方性パラメータとISDマップを関係づけた．学習によって得られた関係を用いて，任意のISDマップから，逆にその異方性パラメータを推定することを試みた．異方性パラメータの数によって4900から40000枚のISDマップを用いてCNNによる学習を行なった．また，学習データと異なる異方性パラメータのセットから得られた10000枚のISDマップを用いて，学習させたCNNモデルでその異方性パラメータの推定を行なった．その結果，学習データ数が多くなるほど推定精度が高くなることが分かり，40000枚のISDマップで学習させた場合は，二つの異方性パラメータを5%以下の高精度で推定することができた．今後，このアプローチを用いて，X線トモグラフィーなどで得られた凝固組織のISDマップから実合金の異方性パラメータの推定が期待できる．

It is an important factor that determines the anisotropy of the solid-liquid interface of the alloy and the shape of the solidification structure. fcc alloy は二つのAnisotropy パラメータによってsolid-liquid interface エネルギーのAnisotropy が description される.しかし, multi-alloy system においてそのisotropy パラメータの値はUnknown であり, 実験, calculation による presumed もdifficulty なのがcurrent situation である. This study is based on the inverse analytical analysis of the navigator The structure of the polymorphism is different, and the inverse anisotropy is presumed to be the same.また, the 3-dimensional form of the solidified tissue をうのは difficult しいため, the form の特徴のみをdraw out the 2-dimensional で table すことができる interfacial shape distribution (ISD)マップに目した. In this study, the use of では, フェーズフィールド・シミュレーションを, いて, multiple 様なisotropy パラメータのセットにおけるfcc binary system alloy isothermal solidification シミュレーションを行なった．それから得られたISDマップを学データとし, convolutional neural network (CNN) いて Learn させ, Anisotropy パラメータとISD マップをRelationship づけた. Learn the relationship between によって, use いて, any のISDマップから, inverse にそのisotropy パラメータを presume することをtest みた． Isotropic パラメータのnumber 4900から40000 pieces of のISDマップを Use いてCNN によるLearn を行なった.また, learn データとdifferent なるisotropic パラメータのセットから and get られた 10,000 pieces of のIS Dマップを use いて, learn させたCNN モデルでそのisotropy パラメータの inference を行なった．その result, learning データが多くなるほど estimated accuracy が高くなることが分かり, 40,000 pieces of ISD In the case of machining and learning, the two anisotropic anisotropy can be estimated with high accuracy below 5%. From now on, このアプローチを will use いて, and X-ray トモグラフィーなどで will be solidified The organization's ISD material is anisotropy and it is presumed that it is expected.