ترجمه فارسی مقاله تجزیه و تحلیل اثرات حرارتی در داده های پراش اشعه ایکس با استفاده از یادگیری ماشین

چکیده

X-ray diffraction is ideal for probing sub-surface state during complex or rapid thermomechanical loading of crystalline materials. However, challenges arise as the size of diffraction volumes increase due to spatial broadening and inability to deconvolute the effects of different lattice deformation mechanisms. Here we present a novel approach to use combinations of physics-based modeling and machine learning to deconvolve thermal and mechanical elastic strains for diffraction data analysis. The method builds on a previous effort to extract thermal strain distribution information from diffraction data. The new approach is applied to extract the evolution of thermomechanical state during laser melting of an Inconel 625 wall specimen which produces significant residual stress upon cooling. A combination of heat transfer and fluid flow, elasto-plasticity, and X-ray diffraction simulations are used to generate training data for machine-learning (Gaussian Process Regression, GPR) models that map diffracted intensity distributions to underlying thermomechanical strain fields. First-principles density functional theory is used to determine accurate temperature-dependent thermal expansion and elastic stiffness used in the elasto-plasticity modeling. The trained GPR models are found to be capable of deconvoluting the effects of thermal and mechanical strains, in addition to providing information about underlying strain distributions, even from complex diffraction patterns with irregularly shaped peaks.

چکیده به فارسی (ترجمه ماشینی)

پراش اشعه ایکس برای کاوش در حالت زیر سطح در طی بارگذاری ترمومکانیکی پیچیده یا سریع مواد کریستالی ایده آل است.با این حال ، با افزایش اندازه حجم پراش به دلیل گسترش مکانی و عدم توانایی در تجزیه اثرات مکانیسم های مختلف تغییر شکل شبکه ، چالش ها ایجاد می شود.در اینجا ما یک رویکرد جدید برای استفاده از ترکیبی از مدل سازی مبتنی بر فیزیک و یادگیری ماشین برای تجزیه سویه های الاستیک حرارتی و مکانیکی برای تجزیه و تحلیل داده های پراش ارائه می دهیم.این روش بر اساس تلاش قبلی برای استخراج اطلاعات توزیع فشار حرارتی از داده های پراش ساخته شده است.روش جدید برای استخراج تکامل حالت حرارتی در هنگام ذوب لیزر نمونه دیواری Inconel 625 اعمال می شود که استرس باقیمانده قابل توجهی را بر روی خنک کننده ایجاد می کند.ترکیبی از انتقال حرارت و جریان سیال ، الاستو پلاستیکی و شبیه سازی پراش پرتونگاری برای تولید داده های آموزش برای یادگیری ماشین (رگرسیون فرآیند گاوسی ، GPR) که از توزیع شدت پراکنده در زمینه های کرنش ترممکانیکی اساسی استفاده می کنند ، استفاده می شود.نظریه عملکردی چگالی اصول اول برای تعیین دقیق گسترش حرارتی وابسته به دما و سفتی الاستیک مورد استفاده در مدل سازی الاست-پلاستیک استفاده می شود.مدل های آموزش دیده GPR علاوه بر ارائه اطلاعات در مورد توزیع کرنش اساسی ، حتی از الگوهای پراش پیچیده با قله های نامنظم شکل ، قادر به تجزیه اثرات سویه های حرارتی و مکانیکی هستند.