Correlazioni della densità di dislocazione dell'apprendimento automatico ed effetti del soluto in Mg

Rapporti scientifici volume 13, numero articolo: 11114 (2023) Citare questo articolo

1199 accessi

7 Altmetrico

Dettagli sulle metriche

Le leghe di magnesio, tra i materiali strutturali più leggeri, rappresentano ottimi candidati per applicazioni leggere. Tuttavia, le applicazioni industriali rimangono limitate a causa della resistenza e della duttilità relativamente basse. È stato dimostrato che la lega in soluzione solida migliora la duttilità e la formabilità del Mg a concentrazioni relativamente basse. I soluti di zinco sono significativamente convenienti e comuni. Tuttavia, i meccanismi intrinseci attraverso i quali l’aggiunta di soluti porta al miglioramento della duttilità rimangono controversi. Qui, utilizzando un'analisi ad alto rendimento delle caratteristiche intragranulari attraverso approcci di scienza dei dati, studiamo l'evoluzione della densità di dislocazione nelle leghe di Mg policristallino e anche nelle leghe Mg-Zn. Applichiamo tecniche di apprendimento automatico nel confrontare le immagini di diffrazione di retrodiffusione elettronica (EBSD) dei campioni prima/dopo l'alligazione e prima/dopo la deformazione per estrarre la storia della deformazione dei singoli grani e per prevedere il livello di densità di dislocazione dopo l'alligazione e dopo la deformazione. I nostri risultati sono promettenti dato che previsioni moderate (coefficiente di determinazione \(R^2\) compreso tra 0,25 e 0,32) sono ottenute già con un set di dati relativamente piccolo (\(\sim\) 5000 grani submillimetrici).

La deformazione plastica dei materiali cristallini è un problema su molte scale di lunghezza. Dal livello atomico del nucleo di dislocazione alla dinamica delle dislocazioni collettive su scala meso e, infine, alla dinamica dei confini del grano nei policristalli, i meccanismi di dislocazione determinano le proprietà meccaniche e fisiche. Nel magnesio hcp monocristallino, l'interazione tra meccanismi di scorrimento basali e non basali porta a una bassa resistenza e duttilità, limitando così le possibili applicazioni. Tuttavia, a causa del peso estremamente ridotto del magnesio, si persegue fortemente il miglioramento della resistenza e della duttilità dei materiali a base di magnesio mediante lega1.

Nel frattempo, l’informatica dei materiali è diventata un paradigma emergente nello studio e nella progettazione di materiali avanzati2,3,4. Gli strumenti di data science e machine learning possono accelerare, ad esempio, la ricerca sperimentale di composizioni ottimali di leghe a base di Mg rispetto alle proprietà meccaniche target5,6. Più in generale, questa prospettiva quantitativa può fornire maggiori informazioni sull'evoluzione della densità di dislocazioni microstrutturali e locali7,8. Nei policristalli, l'apprendimento automatico può consentire la previsione delle proprietà del grano dalla risposta allo stress9,10,11 alla nucleazione gemellare12,13,14 e, recentemente, la rappresentazione basata su grafici della struttura granulare si è rivelata promettente11,15,16.

Nel tentativo di migliorare la duttilità e la resistenza delle leghe a base di Mg, è imperativo catturare i meccanismi precisi che determinano le proprietà meccaniche. In questo contesto, questo articolo promuove un approccio di scienza dei dati verso la comprensione dell’evoluzione della densità delle dislocazioni, la componente chiave della risposta meccanica nei metalli avanzati. Perseguiamo questo approccio di scienza dei dati rispetto al modo in cui procedono i protocolli sperimentali comuni. A questo scopo, confrontiamo le immagini EBSD di campioni di Mg puro e di una lega Mg-Zn policristallina (2% in peso di Zn) raffigurati in Fig. 1 che sono stati originariamente introdotti in 17 (insieme ai dettagli sulla preparazione del campione). I campioni a forma di osso di cane avevano una dimensione finale di \(\sim 3\,\)mm di spessore e \(10\,\) mm di lunghezza e le immagini EBSD coprivano un'area di circa \(1,0 \times 0,7\) mm\(^2\) con circa 4000 e 6000 grani iniziali rispettivamente nei campioni di Mg puro e di lega. La dimensione media dei grani in entrambi i campioni era simile, \(\circa 13\, \upmu m\). I campioni sono stati anche deformati al 10% di deformazione e dopo la deformazione sono state prodotte immagini EBSD a bassa risoluzione, ottenendo così quattro classi, in totale, di immagini EBSD, il nucleo delle indagini in questo lavoro.

Analizziamo le densità di dislocazione insieme alle proprietà dei bordi di grano nei due campioni prima e dopo le prove di trazione con una velocità di deformazione effettiva di \(10^{-3}\) s\(^{-1}\), raggiungendo circa \(10 \%\) sottoporre a tensione. Si noti che esaminiamo i campioni post mortem con deformazione elastica pari a zero. Lo scopo dello studio è duplice: in primo luogo, dedurre la storia della deformazione dei singoli grani dalle densità di dislocazione misurate18,19,20. E in secondo luogo, formulare previsioni sull'evoluzione della densità delle dislocazioni a livello granulare21,22, a causa degli effetti combinati di deformazione e lega. Soprattutto quest’ultimo è vitale per decifrare possibili punti caldi di densità di dislocazioni che potrebbero avere un impatto importante sull’incrudimento del lavoro. Tuttavia, poiché abbiamo accesso solo a poche immagini EBSD a bassa risoluzione, lo scopo del nostro studio è quello di mostrare le possibilità degli approcci di scienza dei dati citati mentre un’implementazione più dettagliata è lasciata per lavori futuri.