پیش‌بینی تحول ریزساختار پس از تغییرشکل ماکروسکوپی برای طراحی مواد با ویژگی‌ها و عملکرد خاص ضروری است. مدل‌های محاسباتی مبتنی بر کریستال پلاستیسیته (CP) به طور گسترده‌ای برای درک رفتار تغییرشکل الاستو-پلاستیک مواد در سطح ریزساختار تحت شرایط بارگذاری مختلف توسعه یافته‌اند. با این حال، هزینه محاسباتی بالای مدل‌سازی چندمقیاسی المان‌محدود کریستال پلاستیسیته (CPFE) یک چالش مهم محسوب می‌شود. برای حل این مشکل، این مطالعه مدل‌های CP را با تکنیک‌های یادگیری ماشین (ML) ترکیب می‌کند تا به‌طور مؤثر تحول بافت را در سیم‌های آلومینیومی تجاری خالص تحت بار پیچشی پیش‌بینی کند. در ابتدا، ریزساختار سیم آلومینیومی دریافت‌شده با استفاده از پراش الکترونی برگشتی (EBSD) تعیین شد. این داده‌ها به عنوان ورودی برای مدل چندمقیاسی CPFE استفاده شد. چارچوب CPFE برای شبیه‌سازی پاسخ ریزساختاری در طول تغییرشکل پیچشی، بر اساس نتایج تجربی کالیبره شد. تحول ریزساختار، از جمله نمودارهای اشکال قطبی و اجزای بافت، طی دوران‌های مختلف بررسی شد. برای کاهش هزینه محاسباتی، دو رویکرد ML شامل شبکه عصبی مصنوعی (ANN) و رگرسیون RANSAC مورد استفاده قرار گرفتند تا تحول بافت را بر اساس زوایای اویلر (φ₁, Φ, φ₂) دانه‌های منفرد پیش‌بینی کنند. مدل‌ها با داده‌های شبیه‌سازی CP چندمقیاسی در دوران‌های مختلف، از 0/5 تا 2/5 دور، آموزش داده شدند. اعتبارسنجی نتایج با داده‌های تجربی EBSD نشان داد که روش‌های ML مؤثر هستند. تحلیل مقایسه‌ای نشان داد که روش RANSACRegressor عملکرد بهتری نسبت به ANN دارد و توانست 81/7 درصد از پیش‌بینی‌های جهت‌گیری کریستال‌ها را با خطای کمتر از 10 درجه برای نیم‌دوران و 73/5 درصد را برای 2/5 دوران پیش‌بینی کند، در حالی که روش ANN به ترتیب فقط 5/9 درصد و 21/8 درصد دقت داشت. این مطالعه همچنین تحول ریزساختار در طول بارگذاری پیچشی را تحلیل کرد و نشان داد که اجزای بافتی بیشترین فراوانی را دارند. ارزیابی کمی با استفاده از ضریب تیلور (TF) نشان داد که این مقدار بین 2/65 تا 3/04 تغییر می‌کند، هنگامی که کرنش از 0/5 به 2/5 دوران افزایش می‌یابد. علاوه بر این، افزایش تعداد دوران‌ها باعث افزایش 11 درصدی سختی در نزدیکی سطح بیرونی نمونه‌ها با اندازه دانه اولیه 55 میکرومتر شد. نتایج همچنین حساسیت تنش تسلیم به نرخ کرنش را نشان می دهد.

 

مدلسازی چند مقیاسی، کریستال پلاستیسیته، رویکرد یادگیری ماشین، تحولات ریزساختار