Constitutive Modeling Method for AM 316 Based on Johnson-Cook Guided PCA-MLP Residual Learning

Stel je een materiaal voor dat sterk genoeg is om een straalmotor te dragen, bestand genoeg is om de corrosieve diepten van de oceaan te overleven, en flexibel genoeg is om gevormd te worden in complexe, lichtgewicht onderdelen die traditionele productie simpelweg niet kan maken. Dit is 316L roestvrij staal vervaardigd via additive manufacturing, een proces waarbij metaal laag voor laag wordt opgebouwd, vergelijkbaar met een 3D-printer. Hoewel deze technologie een ongelooflijke vrijheid in ontwerp biedt, is de manier waarop het metaal zich gedraagt wanneer het hard wordt geraakt of snel wordt verhit, verrassend anders dan dat van hetzelfde staal dat in een fabriek is gemaakt. Wanneer dit materiaal wordt blootgesteld aan de extreme omstandigheden van een hoge snelheid van impact of intense hitte, verandert de interne structuur op complexe wijze, wat ervoor zorgt dat het metaal hard wordt, zachter wordt en stroomt in patronen die moeilijk te voorspellen zijn. Ingenieurs moeten precies weten hoe dit materiaal zal reageren om ervoor te zorgen dat de vliegtuigen, nucleaire componenten of defensiesystemen die ervan zijn gebouwd, niet falen op het moment dat het er echt toe doet.

Decennialang hebben wetenschappers vertrouwd op wiskundige formules om te raden hoe metalen zich onder dergelijke spanning zullen gedragen. Een van de bekendste van deze formules, de zogenaamde Johnson-Cook-formule, behandelt de effecten van rek, snelheid en hitte als afzonderlijke factoren die simpelweg met elkaar vermenigvuldigd worden. Echter, voor dit specifieke type 3D-geprint staal is de realiteit veel complexer. De hitte die vrijkomt bij de vervorming van het metaal, de snelheid waarmee het wordt uitgerekt en de microscopische veranderingen binnen het metaal, beïnvloeden elkaar op een manier die eenvoudige formules niet kunnen vatten. Aan de andere kant kunnen moderne computerprogramma's die leren van gegevens, bekend als machine learning, complexe patronen vinden, maar ze worstelen vaak wanneer ze niet genoeg voorbeelden hebben om van te bestuderen. Ze kunnen de gegevens die ze krijgen weliswaar uit het hoofd leren, maar falen in het maken van nauwkeurige voorspellingen over nieuwe situaties, zoals temperaturen die ze nog nooit eerder hebben gezien.

Om dit puzzelstuk op te lossen, ontwikkelde een team van onderzoekers van Chinese universiteiten een nieuwe aanpak die het beste van beide werelden combineert. Ze begonnen met de traditionele Johnson-Cook-formule om een solide, fysieke basis te bieden—een ruwe schets van hoe het metaal zou moeten reageren. Vervolgens vroegen ze de computer, in plaats van te proberen de computer de hele complexe geschiedenis vanaf nul te laten leren, om zich alleen te concentreren op de fouten die de traditionele formule maakte. Ze berekenden het verschil tussen wat de formule voorspelde en wat er daadwerkelijk gebeurde in hun experimenten, waardoor ze een "residue" of een resterende foutcurve creëerden. Deze resterende curve vertegenwoordigt de complexe, verborgen interacties die de eenvoudige formule miste.

De onderzoekers gebruikten vervolgens een slimme wiskundige techniek om deze resterende curves te vereenvoudigen. Stel je voor dat je een lange, golvende lijn neemt en slechts een paar sleutelvormen vindt die, wanneer ze bij elkaar worden opgeteld, de hele lijn recreëren. Dit proces, genaamd principal component analysis, stelde hen in staat om een enorme hoeveelheid gegevens om te zetten in een kleine, beheersbare set getallen. Vervolgens trainden ze een neuraal netwerk, een type computerprogramma dat ontworpen is om patronen te herkennen, om deze enkele sleutelgetallen te voorspellen op basis van de temperatuur en de snelheid van de impact. Zodra de computer de getallen voorspelde, gebruikten de onderzoekers deze om de volledige, gecorrigeerde curve te reconstrueren en voegden deze weer toe aan de oorspronkelijke formule. Het resultaat was een hybride model dat de fysieke betrouwbaarheid van de oude formule behield, terwijl het data gebruikte om de specifieke fouten te herstellen.

Het team testte deze nieuwe methode op 316L roestvrij staal dat was geprint met een laser-directed energy deposition proces. Ze onderwierpen het metaal aan compressietests met hoge snelheid bij verschillende temperaturen, variërend van 150 graden Celsius tot 620 graden Celsius, en bij stroomsnelheden (strain rates) zo hoog als 5.000 per seconde. Om het vermogen van het model om te generaliseren echt te testen, lieten ze doelbewust twee specifieke temperaturen, 272 graden Celsius en 450 graden Celsius, weg uit de trainingsdata. Ze wilden zien of het model het gedrag van het metaal bij deze ongeziene temperaturen accuraat kon voorspellen zonder ooit een voorbeeld van hen gezien te hebben.

De resultaten waren opmerkelijk. Wanneer het model werd gevraagd het gedrag van het metaal bij 272 graden Celsius te voorspellen, behaalde het een gemiddelde nauwkeurigheidsscore van 0,9306, met een gemiddelde fout van slechts 1,97 procent. Bij 450 graden Celsius was de prestatie zelfs nog beter, met een nauwkeurigheidsscore van 0,9538 en een gemiddelde fout van slechts 1,63 procent. In contrast hiermee presteerde de traditionele formule alleen slecht bij deze ongeziene temperaturen, waarbij de fouten vaak meer dan tien keer groter waren. Zelfs de pure computerlerende modellen, die probeerden het volledige gedrag te leren zonder de hulp van de fysieke formule, hadden aanzienlijke problemen en slaagden er soms niet eens in om de juiste trend volledig te vatten. De nieuwe hybride methode behield echter een hoge nauwkeurigheid en stabiliteit onder alle omstandigheden, en slaagde erin de complexe stroming van spanning en rek te reconstrueren, zelfs voor temperaturen die het nog nooit eerder had ontmoet.

Dit werk demonstreert dat door een krachtig datagestuurd instrument te sturen met een vertrouwde fysieke basis, wetenschappers modellen kunnen creëren die zowel accuraat als betrouwbaar zijn, zelfs wanneer data schaars is. De onderzoekers ontdekten dat hun methode niet alleen eerdere experimenten uit het hoofd leert, maar ook de onderliggende regels leert van hoe het materiaal afwijkt van eenvoudige verwachtingen. Deze aanpak biedt een praktisch pad voorwaarts voor ingenieurs die met geavanceerde materialen moeten simuleren en ontwerpen, om er zeker van te zijn dat de volgende generatie luchtvaart- en energiesystemen met vertrouwen gebouwd kan worden. De studie bevestigt dat voor complexe materialen zoals 3D-geprint staal, de toekomst van voorspelling niet ligt in het kiezen tussen fysica en data, maar in het samenweven ervan, zodat de een de ander versterkt.