Active Learning-Driven Surrogate Modeling for Fatigue LifePrediction of LPBF Hastelloy-X Using Defect-Informed FiniteElement Analysis

技術要約：LPBF製Hastelloy-Xの疲労寿命予測に向けた能動学習駆動型サロゲートモデリング

問題提起
レーザー粉末床溶融結合法（LPBF）によって製造されたアディティブ・マニュファクチャリング（AM）材のHastelloy-Xは、表面粗さ、サブサーフェス（表面下）気孔、造形方向などのプロセス起因の欠陥に対して非常に敏感な疲労挙動を示す。既存の寿命予測手法は、通常、これらの要因を独立したものとして扱い、膨大な実験データセットに依存しており、欠陥と熱機械的負荷条件の間の複雑で非線形な相互作用を考慮できていない。さらに、純粋なデータ駆動型の機械学習モデルは、外挿能力の低さと不確実性定量化の欠如という課題を抱えている一方、古典的な経験モデル（Coffin-Manson-Basquinなど）は、材料、方位、温度のあらゆる組み合わせに対して個別のパラメータセットを必要とするため、LPBFコンポーネントの広大な設計空間に対しては非効率的である。歪み振幅、温度（最大750°C）、および造形方向を特性評価するための実験的負担は極めて高く、しば_しば数百の試験片を必要とする。

手法
著者らは、物理ベースのモデリング、高忠実度有限要素解析（FEA）、およびデータ効率の高いガウス過程（GP）能動学習を統合した、ハイブリッドで欠陥情報を考慮したフレームワークを提案している。この手法は、主に以下の3つのコンポーネントで構成される。

1. 統一欠陥感受性歪み-寿命（UDSL）モデル:
   広範な設計空間における歪み制御疲労寿命（$N_f$）を予測するために、物理学に基づいた解析モデルが開発された。任意の多項式回帰とは異なり、UDSLモデルは特定の物理メカニズムから導出された項を用いている：

   • 歪み-寿命冪則: 一般化されたBasquin/Coffin-Manson関係。
   • 分布ノッチとしての粗さ: 算術平均粗さ（$R_a$）を有効応力集中に結びつける、Petersonのノッチ感受性に基づく対数項。
   • 方位幾何学: 造形角度（$\theta$）に依存する「階段効果」を考慮した項。
   • 同温度スケーリング: 熱活性化変形を捉えるため、融点（$T_m = 1628$ K）に対して温度を正規化。
   • 歪み-温度相互作用: 高温における弾性支配から塑性支配への移行を捉える交差項。
     本モデルは、単一条件（27°C、水平配向）からのわずか19個のデータポイントを用いて較正され、440ポイントの包括的なデータセットに対して検証された。

2. 欠陥情報を考慮した有限要素解析（FEA）:
   応力集中係数（$K_t$）および欠陥の相互作用を定量化するために、Abaqusを用いた高忠実度3Dシミュレーションを実施した：

   • 表面粗さ: 表面粗さ係数を検証するために、フーリエ合成を用いて現実的なLPBF表面を生成し、$K_t$を算出した。
   • 気孔および空洞の成長: Gurson-Tvergaard-Needleman（GTN）多孔質塑性モデルにより、塑性歪み下での大幅な空洞成長（7.3倍の増幅）が示され、気孔-歪み相互作用項の導入が正当化された。
   • 複合欠陥相互作用: 粗い表面の谷の下に位置するサブサーフェス気孔のシミュレーションにより、**劣加算的（sub-additive）**な結合効果が明らかになった。複合的な応力集中は、個々の効果の和よりも低くなり、較正された相互作用係数（$\rho = 0.329$）を持つ一般化された相互作用定式化が導かれた。

3. 能動学習を用いたガウス過程（GP）サロゲート:
   データの希少性に対処し、不確実性定量化を提供するために、UDSLモデルおよびFEAの結果から得られた物理情報に基づいた特徴量（例：同温度、有効歪み、応力集中係数）を用いてGPサロゲートを訓練した。能動学習（AL）戦略を採用し、最大予測分散に基づいて最も情報量の多い実験点を反復的に選択した。このアプローチは、必要な疲労試験の数を最小限に抑えつつ、モデルの精度を最大化することを目的としている。

主な結果

• 実験的知見: 疲労寿命は温度とともに単調に減少し、27°Cから750°Cの間でほぼ2桁低下した。一貫した方位依存の順位付けが観察された：水平 > 45° > 垂直。表面粗さがこの異方性を支配する主要な要因であることが特定された一方で、バルクの気孔は、テストされた表面条件下では疲労寿命との系統的な相関を示さなかった。
• UDSLモデルの性能: 8つのパラメータを持つUDSLモデルは、フル440ポイントのデータセットに対して、$R^2 = 0.984$および$RMSE = 0.131$（$\log_{10} N_f$において）を達成した。モデルは、実験寿命の2倍以内の範囲内にデータの97.7%を予測した。決定的なことに、この精度はわずか19個の較正データポイントによって達成されており、これは従来の較正方法と比較して実験データ要件を95%以上削減していることを意味する。
• FEAによる洞察: FEAは、表面粗さとサブサーフェス気孔の相互作用が劣加性的であることを確認した。複合的な応力集中（$K_t \approx 2.85$）は、乗法的予測よりも大幅に低く、より保守的すぎず、より正確な設計の基礎を提供した。
• 能動学習の効率性: 物理情報に基づいた特徴量で訓練されたGPサロゲートは、20個の能動的に選択された訓練ポイントのみを使用して、UDSLモデルと同等の予測精度（$R^2 = 0.984$）に達した。これは、同様の精度を得るために約50ポイントを必要としたランダムサンプリングと比較して、2.5倍のデータ効率向上を意味する。
• 不確実性定量化: GPフレームワークは、検証データの94.2%を捕捉する公称95%信頼区間を提供し、適切に較正された不確実性推定値を提供した。これにより、リスクに基づいた意思決定と標的を絞った実験計画が可能となる。

意義および主張
本論文は、現在の最先端技術における3つの重要なギャップに対処することを主張している：

1. 結合欠陥モデリング: LPBF製Hastelloy-Xの疲労寿命に対する、表面粗さ、サブサーフェス気孔、造形方向、および温度の結合効果を、同時に、かつ定量的に考慮した初のモデルである。
2. 欠陥相互作用の特性評価: 粗さと気孔の間の応力場の相互作用に関する初の高精度なFEA特性評価を提供し、独立または加算的な効果を仮定するのではなく、劣加的な相互作用規則を確立した。
3. 統合フレームワーク: 物理ベースのモデリング、欠陥情報を考慮したシミュレーション、およびデータ効率の高い能動学習を統合した実用的なフレームワークを実証した。

著者らは、このアプローチが実験的負担を95%以上削減しながら、高い予測忠実度と較正された不確実性を維持することを主張している。物理的な解釈可能性（UDSL経由）、欠陥感受性（FEA経由）、および不確実性定量化（GP経由）の統合は、安全性が重視される高温用途におけるLPBFコンポーネントの認定のためのスケーラブルな経路を提供する。本研究は、UDSLモデルが外挿と解釈性に優れている一方で、GP+ALフレームワークは確率的評価と適応的テスト計画において優れた適応性を提供し、両者は競合するのではなく補完的な関係にあると結論付けている。