U-PolyConformer: Spatiotemporal machine learning for microstructure engineering
Notice bibliographique
Résumé
• A novel spatiotemporal CNN-Transformer machine learning framework is proposed. • The first framework that captures full-field stress and strain evolution under arbitrary loading conditions. • Exhibits strong generalization; accurately capturing loading conditions, microstructures, and hardening outside the training distributions. • A novel microstructure optimization framework is employed to enhance formability by delaying localization. Accelerating the prediction of mechanical behaviour in heterogenous materials is critical for large-scale microstructure optimization and realizing functionally optimized materials. While existing machine learning approaches have demonstrated an ability to accelerate predictions for the full-field mechanical response of a wide range of heterogenous microstructures, they have been largely limited to monotonic loading conditions. This paper introduces U-PolyConformer, a spatiotemporal machine learning framework that combines U-Net convolutional neural networks with transformer layers, capable of capturing the full-field stress and strain evolution under monotonic and random walk loading conditions. Trained on a large dataset of crystal plasticity finite element method (CPFEM) simulations with FCC polycrystals, the model accurately captures complex phenomena, including strain localization and stress unloading. The U-PolyConformer achieves a 7,900x speed-up over the ground-truth CPFEM simulations while producing high-fidelity results in both interpolative and extrapolative regimes. Comprehensive evaluations demonstrate the U-PolyConformer’s capacity to generalize outside the training distribution to novel microstructures, loading conditions, and strain hardening behaviours. To highlight the model’s potential as a surrogate for accelerating computational materials engineering workflows, a microstructure optimization framework based on static recrystallization is introduced and used to delay the onset of localization. This framework is successfully used to identify the grains which initiate the onset of localization, illustrating how the proposed model and optimization framework may be used for identifying and exploring property-performance relationships.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».