Plastic deformation and damage modeling of AA7075 synthetic 3D microstructure created using generative AI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
3D microstructures provide valuable insight into material behavior which is essential in elucidating microstructural phenomena, such as particle morphology and void damage, and consequent macroscopic material response. However, creating 3D microstructures is extremely laborious and expensive, requiring complex microstructural characterization and imaging techniques such as Focussed-Ion Beam based Scanning Electron Microscopy (FIB-SEM) or X-ray Computed Tomography (XCT). To this end, synthetic 3D microstructures were rapidly generated from orthogonal 2D images using SliceGAN, which proved a practical and cost-effective method. In this study, multiple synthetic microstructures of AA7075-O, a complex microstructure of various strengthening precipitates within a softer aluminum matrix, were post-processed, meshed, and modeled for different damage behavior in FEA using advanced constitutive material models. Subsequently, the synthetic and real microstructures were qualitatively and quantitatively analyzed for their elastoplastic deformation and ductile void damage responses. This study illustrates the viability of an integrated AI-FE methodology in studying microstructural micromechanics, demonstrating that synthetic microstructures exhibited a very similar stress-strain response, especially when using a free boundary condition, and comparable stress distribution and void damage, albeit with some discrepancies. Also, it emphasizes the influence of particle morphology on strength and damage, where highly irregular particles play a dual role in increasing strain hardening by restricting matrix flow at the cost of increased ductile damage induced by decohered particles. Lastly, the more advanced FE models, with multiple voiding mechanisms, reduced the discrepancy between real and synthetic microstructures compared to simpler models
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle