Corrélations de densité de dislocation par apprentissage automatique et effets de soluté dans Mg

Jun 09, 2023

Rapports scientifiques volume 13, Numéro d'article : 11114 (2023) Citer cet article

1194 Accès

7 Altmétrique

Détails des métriques

Les alliages de magnésium, parmi les matériaux structurels les plus légers, représentent d'excellents candidats pour les applications légères. Cependant, les applications industrielles restent limitées en raison de leur résistance et de leur ductilité relativement faibles. Il a été démontré que l’alliage en solution solide améliore la ductilité et la formabilité du magnésium à des concentrations relativement faibles. Les solutés de zinc sont très rentables et courants. Cependant, les mécanismes intrinsèques par lesquels l’ajout de solutés conduit à une amélioration de la ductilité restent controversés. Ici, en utilisant une analyse à haut débit des caractéristiques intragranulaires grâce à des approches de science des données, nous étudions l'évolution de la densité de dislocation dans le Mg polycristallin ainsi que dans les alliages Mg-Zn. Nous appliquons des techniques d'apprentissage automatique pour comparer les images de diffraction électronique par rétrodiffusion (EBSD) des échantillons avant/après alliage et avant/après déformation afin d'extraire l'historique de déformation des grains individuels et de prédire le niveau de densité de dislocation après alliage et après déformation. Nos résultats sont prometteurs étant donné que des prédictions modérées (coefficient de détermination \(R^2\) allant de 0,25 à 0,32) sont déjà obtenues avec un ensemble de données relativement petit (\(\sim\) 5 000 grains submillimétriques).

La déformation plastique des matériaux cristallins est un problème à de nombreuses échelles de longueur. Du niveau atomique du noyau de dislocation à la dynamique de dislocation collective à méso-échelle, et finalement à la dynamique des joints de grains dans les polycristaux, les mécanismes de dislocation déterminent les propriétés mécaniques et physiques. Dans le magnésium hcp monocristallin, l’interaction entre les mécanismes de glissement basal et non basal conduit à une faible résistance et ductilité, limitant ainsi les applications possibles. Cependant, en raison du faible poids du magnésium, l’amélioration de la résistance et de la ductilité des matériaux à base de magnésium par alliage est fortement recherchée1.

Parallèlement, l’informatique des matériaux est devenue un paradigme émergent dans l’étude et la conception de matériaux avancés2,3,4. Les outils de science des données et d’apprentissage automatique peuvent accélérer, par exemple, la recherche expérimentale de compositions optimales d’alliages à base de magnésium en ce qui concerne les propriétés mécaniques cibles5,6. Plus généralement, cette perspective quantitative peut donner plus d’informations sur l’évolution de la densité microstructurale et locale des dislocations7,8. Dans les polycristaux, l’apprentissage automatique peut permettre de prédire les propriétés des grains, depuis la réponse aux contraintes9,10,11 jusqu’à la nucléation jumelle12,13,14 et, récemment, la représentation graphique de la structure granulaire s’est révélée prometteuse11,15,16.

Dans le but d’améliorer la ductilité et la résistance des alliages à base de magnésium, il est impératif de capturer les mécanismes précis qui dictent les propriétés mécaniques. Dans ce contexte, cet article promeut une approche scientifique des données pour comprendre l’évolution de la densité des dislocations, élément clé de la réponse mécanique dans les métaux avancés. Nous poursuivons cette approche de science des données en ce qui concerne le déroulement des protocoles expérimentaux courants. À cette fin, nous comparons les images EBSD provenant d'échantillons de Mg pur et d'un alliage polycristallin Mg – Zn (2% en poids de Zn) représentés sur la figure 1, qui ont été initialement introduits dans 17 (avec les détails de préparation des échantillons). Les échantillons en forme d'os de chien avaient une taille finale avec une épaisseur de \(\sim 3\,\) mm et une longueur de jauge de \(10\,\) mm et les images EBSD couvraient une zone d'environ \(1,0 \times 0,7\). mm\(^2\) avec environ 4 000 et 6 000 grains initiaux dans les échantillons de magnésium pur et d'alliage, respectivement. La taille moyenne des grains dans les deux échantillons était similaire, \(\environ 13\, \upmu m\). Les échantillons ont également été déformés à une déformation de 10 % et des images EBSD à basse résolution ont été produites après déformation, donnant ainsi quatre classes au total d'images EBSD, au cœur des investigations de ce travail.

Nous analysons les densités de dislocation ainsi que les propriétés des joints de grains dans les deux échantillons avant et après les essais de traction avec un taux de déformation réel de \(10^{-3}\) s\(^{-1}\), atteignant environ \(10 \%\) souche. Notez que nous examinons les échantillons post mortem avec une déformation élastique nulle. L’objectif de l’étude est double : premièrement, déduire l’historique de déformation de grains uniques à partir des densités de dislocation mesurées18,19,20. Et deuxièmement, formuler des prédictions sur l’évolution de la densité des dislocations au niveau granulaire21,22, en raison des effets combinés de la déformation et de l’alliage. Ce dernier point est particulièrement essentiel pour déchiffrer les éventuels points chauds de densité de dislocation qui peuvent avoir un impact majeur sur l'écrouissage. Cependant, comme nous n’avons accès qu’à quelques images EBSD basse résolution, la portée de notre étude est de montrer les possibilités des approches de science des données mentionnées, tandis qu’une mise en œuvre plus détaillée est laissée pour des travaux futurs.