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

Technische Samenvatting: Active Learning-gestuurde Surrogaatmodellering voor de Voorspelling van Vermoeidheidslevensduur van LPBF Hastelloy-X

Probleemstelling
Additief vervaardigd Hastelloy-X geproduceerd via Laser Powder Bed Fusion (LPBF) vertoont een vermoeidheidsgedrag dat zeer gevoelig is voor procesgeïnduceerde defecten, waaronder oppervlakte ruwheid, substantiële porositeit en bouworiëntatie. Bestaande methoden voor levensvoorspelling behandelen deze factoren doorgaans onafhankelijk, vertrouwen op uitgebreide experimentele datasets en houden geen rekening met de complexe, niet-lineaire interacties tussen defecten en thermo-mechanische belastingscondities. Bovaleer lijden puur datagedreven machine learning-modellen vaak aan een gebrekkig extrapolatievermogen en een gebrek aan onzekerheidskwantificering, terwijl klassieke empirische modellen (bijv. Coffin-Manson-Basquin) voor elke combinatie van materiaal, oriëntatie en temperatuur aparte parametersets vereisen, wat hen inefficiënt maakt voor de enorme ontwerpruimte van LPBF-componenten. De experimentele last voor het karakteriseren van vermoeidheid over meerdere amplitude-vervormingen, temperaturen (tot 750°C) en oriëntaties is evene en prohibitief hoog, waarbij vaak honderden specimens nodig zijn.

Methodologie
De auteurs stellen een hybride, defect-geïnformeerd framework voor dat natuurkundige modellering, hoogwaardige eindige elementenanalyse (FEA) en datageefficiënte Gaussian Process (GP) active learning integreert. De methodologie bestaat uit drie primaire componenten:

1. Unified Defect-Sensitive Strain-Life (UDSL) Model:
   Een natuurkundig geïnformeerd analytisch model werd ontwikkeld om de vervormingsgestuurde vermoeidheidslevensduur ($N_f$) over een breed ontwerpgebied te voorspellen. In tegenstelling tot willekeurige polynomiale regressies, afleidt het UDSL-model termen uit specifieke fysische mechanismen:

   • Strain-Life Power Law: Gegeneraliseerde Basquin/Coffin-Manson relaties.
   • Ruwheid als een Gedistribueerde Inkeping: Gemodelleerd met behulp van een logaritmische term gebaseerd op de Peterson-inkepingsgevoeligheid, die de rekenkundige gemiddelde ruwheid ($R_a$) koppelt aan de effectieve spanningsconcentratie.
   • Oriëntatiegeometrie: Een term die rekening houdt met het "trapeffect" (staircase effect) afhankelijk van de bouwhoek ($\theta$).
   • Homologe Temperatuurschaal: Normaliseert de temperatuur ten opzichte van het smeltpunt ($T_m = 1628$ K) om thermisch geactiveerde deformatie te vangen.
   • Strain-Temperatuur Interactie: Kruistermen die de verschuiving van elastische naar plastische dominantie bij verhoogde temperaturen vastleggen.
     Het model werd gekalibreerd met slechts 19 datapunten uit één conditie (27°C, horizontale oriëntatie) en gevalideerd tegen een uitgebreide dataset van 440 punten.

2. Defect-Geïnformeerde Eindige Elementenanalyse (FEA):
   Hoogwaardige 3D-simulaties in Abaqus werden uitgevoerd om spanningsconcentratiefactoren ($K_t$) en defectinteracties te kwantificeren:

   • Oppervlakte Ruwheid: Realistische LPBF-oppervlakken werden gegenereerd via Fourier-synthese om $K_t$ te berekenen, wat de ruwheidscoëfficiënten in het UDSL-model valideert.
   • Porositeit en Void Groei: Gurson-Tvergaard-Needleman (GTN) poreuze plasticiteitsmodellen toonden significante void-groei (7,3x amplificatie) onder plastische vervorming aan, wat de inclusie van porositeit-vervorming interactietermen rechtvaardigt.
   • Gecombineerde Defectinteractie: Simulaties van substantiële poriën gelokaliseerd onder ruwe oppervlaktevalleien onthulden een sub-additieve koppelingswerking. De gecombineerde spanningsconcentratie was lager dan de som van de individuele effecten, wat leidde tot een gegeneraliseerde interactieformulering met een gekalibreerde interactiecoëfficiënt ($\rho = 0,329$).

3. Gaussian Process (GP) Surrogaat met Active Learning:
   Om gegevensschaarste aan te pakken en onzekerheidskwantificering te bieden, werd een GP-surrogaat getraind op natuurkundig geïnformeerde kenmerken afgeleid van het UDSL-model en FEA-resultaten (bijv. homologe temperatuur, effectieve vervorming, spanningsconcentratiefactoren). Een active learning (AL) strategie werd toegepast, waarbij iteratief de meest informatieve experimentele punten werden geselecteerd op basis van maximale voorspellende variantie. Deze aanpak had als doel het aantal vereiste vermoeidheidstesten te minimaliseren terwijl de nauwkeurigheid van het model werd gemaximaliseerd.

Belangrijkste Resultaten

• Experimentele Bevindingen: De vermoeidheidslevensduur nam monotoon af met de temperatuur, met een daling van bijna twee ordes van grootte tussen 27°C en 750°C. Er werd een consistente oriëntatieafhankelijke rangschikking waargenomen: Horizontaal > 45° > Verticaal. Oppervlakte ruwheid werd geïdentificeerd als de dominante factor die deze anisotropie beïnvloedt, terwijl bulkporositeit geen systematische correlatie met de vermoeidheidslevensduur vertoonde onder de geteste oppervlaktecondities.
• UDSL Model Prestaties: Het 8-parameter UDSL-model behaalde een $R^2$ van 0,984 en een Root Mean Square Error (RMSE) van 0,131 (in $\log_{10} N_f$) op de volledige 440-punts dataset. Het voorspelde 97,7% van de data binnen een factor twee van de experimentele levensduur. Cruciaal is dat deze nauwkeurigheid werd bereikt met slechts 19 kalibratiepunten, wat een reductie van >95% betekent in de hoeveelheid vereiste experimentele data vergeleken met conventionele kalibratiemethoden.
• FEA Inzichten: De FEA bevestigde dat de interactie tussen oppervlakte ruwheid en substantiële porositeit sub-additief is. De gecombineerde spanningsconcentratie ($K_t \approx 2,85$) was aanzienlijk lager dan de multiplicatieve voorspelling, wat een minder conservatieve en meer accurate basis voor ontwerp biedt.
• Active Learning Efficiëntie: De GP-surrogaat, getraind op natuurkundig geïnformeerde kenmerken, bereikte dezelfde voorspellende nauwkeurigheid ($R^2 = 0,984$) als het UDSL-model met slechts 20 actief geselecteerde trainingspunten. Dit vertegenwoordigt een 2,5x verbetering in data-efficiëntie vergeleken met willekeurige bemonstering, die ongeveer 50 punten vereiste om een vergelijkbare nauwkeurigheid te bereiken.
• Onzekerheidskwantificering: Het GP-framework bood goed gekalibreerde onzekerheidsschattingen, waarbij nominale 95% betrouwbaarheidsintervallen 94,2% van de validatiedata bevatten. Dit maakt risico-geïnformeerde besluitvorming en gerichte experimentele planning mogelijk.

Betekenis en Claims
Het artikel beweert drie kritieke hiaten in de huidige stand van de techniek aan te pakken:

1. Gekoppelde Defectmodellering: Het is het eerste model dat simultaan en kwantitatief rekening houdt met de gekoppelde effecten van oppervlakte ruwheid, substantiële porositeit, bouworiëntatie en temperatuur op de vermoeidheidslevensduur van LPBF Hastelloy-X.
2. Karakterisering van Defectinteractie: Het biedt de eerste hoogwaardige FEA-karakterisering van de spanningsveldinteractie tussen ruwheid en porositeit, waarbij een sub-additieve interactieregel wordt vastgesteld in plaats van de aanname van additieve of onafhankelijke effecten.
3. Geïntegreerd Framework: Het demonstreert een praktisch framework dat natuurkundige modellering, defect-geïnformeerde simulatie en datageefficiënte active learning integreert.

De auteurs stellen dat deze aanpak de experimentele last met meer dan 95% vermindert terwijl een hoge voorspellende getrouwheid behouden blijft en gekalibreerde onzekerheid wordt geboden. De integratie van fysische interpreteerbaarheid (via UDSL), defectgevoeligheid (via FEA) en onzekerheidskwantificering (via GP) biedt een schaalbaar pad voor de kwalificatie van LPBF-componenten in veiligheidskritische toepassingen bij hoge temperaturen. De studie concludeert dat terwijl het UDSL-model uitblinkt in extrapolatie en interpreteerbaarheid, het GP+AL-framework superieure adaptiviteit biedt voor probabilistische beoordeling en adaptieve testplanning, waarbij de twee benaderingen complementair zijn in plaats van concurrerend.