Multimodal deep learning framework to predict strain localization of Mg/LPSO two-phase alloys
تقترح هذه الدراسة إطار عمل للتعلم العميق متعدد الوسائط يدمج الكسور الحجمية، والمخططات المستمرة، والارتباطات المكانية المستمدة من صور البنية المجهرية ثلاثية الأبعاد للتنبؤ بدقة بتمركز الانفعال الموضعي في سبائك المغنيسيوم/LPSO ثنائية الطور، كاشفةً أن الانفعال العالي يتركز في المناطق التي تكون فيها طور LPSO الصلب مستطيلًا بزاوية 45 درجة بالنسبة لاتجاه التحميل.
تخيل أنك تحاول فهم سبب تفتت قطعة بسكويت في مكان محدد تماماً عند قضمها. هل السبب هو قطع الشوكولاتة؟ أم فقاعات الهواء؟ أم ربما الطريقة التي تم بها طي العجينة؟ هذا هو نوع اللغز الذي يواجهه علماء المواد كل يوم. إنهم يدرسون المعادن والسبائك، محاولين اكتشاف كيف تحدد هياكلها الداخلية الدقيقة — مثل ترتيب الحبيبات والأطوار — مدى قوتها أو مرونتها. وللقيام بذلك، غالباً ما يستخدمون أدوات قوية مثل أجهزة التصوير المقطعي بالأشعة السينية (X-ray CT)، والتي تعمل ككاميرات متطورة للغاية يمكنها الرؤية داخل الجسم دون قطعه، مما ينشئ خريطة ثلاثية الأبعاد لمكوناته الداخلية. كما يستخدمون تقنية تسمى "الارتباط الحجمي الرقمي" (Digital Volume Correlation)، وهي تشبه لعبة "أوجد الفروق" عالية التقنية التي تتبع كيفية تحرك وتمدد كل نقطة صغيرة داخل المادة عند ضغطها أو سحبها. السؤال الكبير هو: هل يمكننا النظر إلى الخريطة ثلاثية الأبعاد لداخل المادة والتنبؤ بدقة بمكان تمددها الأكبر قبل أن تنكسر؟ هذا الأمر بالغ الأهمية لبناء سيارات وطائرات أكثر أماناً، خاصة تلك المصنوعة من معادن خفيفة الوزن مثل المغنيسيوم، والذي يعد رائعاً لتوفير الوقود ولكنه قد يكون صعب التنبؤ به.
في هذه الدراسة، واجه فريق من الباحثين من جامعة طوكيو هذا اللغز باستخدام نوع خاص من سبائك المغنيسيوم الممزوجة بطور فريد يُعرف بـ "الطور المرتب ذو التراكم طويل الأمد" (LPSO). فكر في هذه السبيكة كأنها كعكة معقدة مكونة من نوعين مختلفين جداً من العجين: أحدهما أكثر طراوة (المغنيسيوم) والآخر أكثر صلابة (LPSO). عندما قاموا بضغط هذه الكعكة، أرادوا معرفة أين سيحدث "التحطم" أو التشويه في الداخل بالضبط. وبدلاً من مجرد التخمين، قاموا ببناء عقل رقمي — نموذج للتعلم العميق — ليتعلم اللغة السرية لبنية المادة. لقد غدوا هذا العقل بثلاثة أنواع مختلفة من الأدلة: مقدار وجود كل نوع من "العجين" (الكسر الحجمي)، ومدى اتصال الأجزاء الصلبة ببعضها البعض (باستخدام أداة رياضية تسمى "التماثل المستمر" التي ترسم الأشكال والفجوات)، وكيفية ترتيب الأجزاء المختلفة في الفضاء (الارتباط المكاني ثنائي النقاط).
وجد الباحثون أن استخدام نوع واحد فقط من الأدلة لم يكن كافياً؛ كان الأمر يشبه محاولة حل لغز بنصف الأدلة فقط. ومع ذلك، عندما دمجوا الأنواع الثلاثة من الأدلة في نموذج "متعدد الوسائط" — وهو نموذج يمكنه قراءة كل من الأرقام والصور في آن واحد — أصبحت التنبؤات أكثر دقة ووضوحاً. نجح النموذج في التنبؤ بالأماكن التي ستظهر فيها مناطق الإجهاد العالي، مطابقةً القياسات الفعلية المأخوذة من مسحات الأشعة السينية. وكان الاكتشاف الأكثر إثارة هو نمط محدد: إذ تميل المادة إلى التمدد بأكبر قدر في المناطق التي يشكل فيها طور (LPSO) الصلب أشكالاً طويلة وممتدة مائلة بزاوية 45 درجة إلى اتجاه الضغط. يؤكد هذا الاكتشاف ما أشارت إليه الدراسات السابقة ولكن لم تستطع تفسيره بوضوح: وهو أن اتجاه وترابط هذه الأطوار الصلبة هي اللاعب الرئيسي في كيفية تشوه المادة. ومن خلال إثبات نجاح نهج الذكاء الاصطناعي هذا، قدم الباحثون أداة جديدة وقوية للمهندسين لتصميم مواد أفضل وأكثر موثوقية من خلال فهم "الرقصة الثلاثية الأبعاد" الخفية لهياكلها الداخلية.
ملخص تقني: إطار تعلم عميق متعدد الوسائط للتنبؤ بتمركز الانفعال في سبائك المغنيسيوم (Mg/LPSO) ثنائية الطور
بيان المشكلة تعد سبائك المغنيسيوم (Mg) ذات أطوار الترتيب الطبقي طويل الأمد (LPSO) مواد إنشائية واعدة نظرًا لقوتها النوعية العالية وآليات تشوهها الفريدة، مثل تشوه الكنتور (kink deformation). ومع ذلك، لا يزال فهم سلوك التشوه عند المقياس الميكروي إلى الميزوسكوبي (الذي يمتد من الحبيبات الفردية إلى حدود الأطوار) يمثل تحديًا. وبينما كشف الارتباط الصوري الرقمي عالي الدقة (HR-DIC) أن أطوار LPSO الصلبة تخضع لتشوه لدن تفضيلي في السبائك المصبوبة، فإن معظم الدراسات التقليدية تعتمد على ملاحظات سطحية ثنائية الأبعاد. وهناك ندرة في الأبحاث التي تربط كميًا بين السمات البنيوية ثلاثية الأبعاد وتوزيعات الانفعال المحلية في سبائك المغنيسيوم. علاوة على ذلك، بينما يُستخدم التعلم الآلي بشكل متزايد للتنبؤ بخصائص المواد من بنيتها المجهرية، فإن النهج الحالية غالبًا ما تعتمد على أنواع منفردة من الواصفات (إما بيانات عددية أو صور)، مما قد يحد من دقة التنبؤ وعمق الاستبصار الفيزيائي.
المنهجية يقترح البحث إطار عمل للتعلم العميق متعدد الوسائط للتنبؤ بتوزيعات الانفعال الموضعي ثلاثية الأبعاد من صور البنية المجهرية ثلاثية الأبعاد لسبائك Mg94Zn2Y4 المصبوبة. تتضمن المنهجية الخطوات التالية:
الحصول على البيانات التجريبية: أُجريت اختبارات ضغط على عينات Mg/LPSO حتى 300 ميجا باسكال. تم التقاط صور البنية المجهرية ثلاثية الأبعاد باستخدام التصوير المقطعي بالأشعة السينية (CT) قبل وبعد التشوه.
قياس الانفعال: تم تطبيق الارتباط الصوري الرقمي الحجمي (DVC) على صور الأشعة السينية (CT) لحساب توزيع الانفعال المكافئ ثلاثي الأبعاد (εeq) عند المقياس المتوسط (mesoscale).
استخراج واصفات البنية المجهرية: لكل نقطة قياس انفعال، تم استخراج عنصر حجم ممثل (RVE) مكون من 101 فوكسل (≈ 68.7 μm). تم حساب ثلاثة واصفات متميزة من هذه الـ RVEs:
الكسور الحجمية: بيانات عددية تمثل نسب α-Mg، وLPSO، والشوائب، والمسام.
المخططات المستمرة (Persistent Diagrams): واصفات طوبولوجية مشتقة من الهومولوجيا المستمرة لقياس اتصال الأطوار (الرتبة صفر). تم إنشاء مخططات منفصلة لـ α-Mg وLPSO.
الارتباط المكاني ثنائي النقاط: واصفات قائمة على الصور تمثل التوزيع المكاني والاتجاه للأطوار. تم استخدام مقطعين عرضيين (المستويين zx وyz) لالتقاط تباين الخواص بالنسبة لاتجاه التحميل.
نموذج التعلم العميق متعدد الوسائط: تم بناء بنية تعلم عميق للتعامل مع بيانات المدخلات غير المتجانسة:
التكامل: تم دمج الميزات المستخرجة من جميع الفروع في متجه موحد وتمريرها عبر طبقات متصلة بالكامل للتنبؤ بالانفعال الموضعي.
استراتيجية التدريب: لمنع النموذج من الاعتماد على واصف واحد، تم استخدام نهج الضبط الدقيق (fine-tuning) حيث تم تدريب الأوزان الأولية لطبقات استخراج الميزات مسبقًا على نماذج ذات واصف واحد.
تحليل أهمية الميزات: تم توضيح العلاقة بين الواصفات والانفعال باستخدام تحليل الارتباط وتحليل الحساسية بالانسداد (تصوير تأثير إخفاء مناطق صور محددة على مخرجات النموذج).
النتائج الرئيسية
دقة التنبؤ: تفوق نموذج التعلم العميق متعدد الوسائط بشكل كبير على النماذج المدربة على واصفات منفردة. ومن بين الواصفات المنفردة، حقق الارتباط المكاني ثنائي النقاط أعلى دقة، يليه المخططات المستمرة ثم الكسور الحجمية. حقق النهج متعدد الوسائط، الذي دمج التوزيع المكاني، واتصال الأطوار، والكسر الحجمي، أدنى جذر متوسط مربع الخطأ (RMSE) وأعلى معامل تحديد (R2).
أنماط تمركز الانفعال: نجح النموذج في التقاط مناطق الانفعال العالي ذات النمط الحزامي (banded) الملاحظ في قياسات DVC، متنبئًا بدقة بتركيز الانفعال في مناطق محددة من المقاطع العرضية.
العلاقات بين البنية المجهرية والانفعال:
اتصال الأطوار: كشف تحليل الارتباط والانسداد أن الانفعال الموضعي العالي يرتبط بأطوار LPSO كبيرة ومتصلة بكثافة (قيم "موت" منخفضة في المخططات المستمرة) وأطوار α-Mg صغيرة على شكل جزر.
اتجاه الطور: أشار تحليل الارتباط المكاني ثنائي النقاط إلى أن الانفعال العالي يميل للحدوث في المناطق التي يشكل فيها طور LPSO هياكل مستطيلة كبيرة موجهة بزاوية 45 درجة إلى اتجاه التحميل. وهذا يتوافق مع تعظيم عامل شميد (Schmid factor) للانزلاق القاعدي في طور LPSO.
الكسر الحجمي: وُجد ارتباط إيجابي ضعيف بين الكسر الحجمي لـ LPSO والانفعال الموضعي، بينما أظهر α-Mg ارتباطًا سلبيًا ضعيفًا. كما وُجد أن الشوائب (الغنية باليوتريوم Y) تقلل من الانفعال الموضعي، في حين كان للمسام (الصغيرة والمحدودة العدد) تأثير ضئيل على تمركز الانفعال في هذه السبيكة تحديدًا.
الأهمية والادعاءات يزعم المؤلفون أن هذه الدراسة توفر طريقة فعالة لتوضيح العلاقة بين البنية المجهرية ثلاثية الأبعاد وسلوك التشوه في سبائك Mg/LPSO ثنائية الطور. ومن خلال دمج واصفات متعددة للبنية المجهرية عبر التعلم العميق متعدد الوسائط، يحقق الإطار دقة تنبؤ أعلى من النهج ذات الواصف الواحد. وتثبت الدراسة أن التحليل الكمي لاتصال الأطوار (عبر الهومولوجيا المستمرة) والتوجه المكاني (عبر الارتباط ثنائي النقاط) أمر بالغ الأهمية لفهم التشوه على المقياس المتوسط. ويُقدم النهج المقترح كطريقة قابلة للتعميم يمكن توسيعها لتشمل مواد أخرى متعددة الأطوار (مثل الفولاذ المتقدم، وسبائك الاعتلال العالي) للتنبؤ بخصائص المواد والسلوك الميكانيكي من مصادر معلومات متنوعة، مما يساعد في تصميم مواد إنشائية عالية الموثوقية.