Predicting the behaviour of dislocation systems with machine learning methods

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Laurson, Lasse
dc.contributor.author Salmenjoki, Henri
dc.date.accessioned 2017-12-18T11:51:48Z
dc.date.available 2017-12-18T11:51:48Z
dc.date.issued 2017-12-12
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/29209
dc.description.abstract The irreversible changes in crystalline materials during plastic deformation are governed by the motion of dislocations -- the line defects of the crystal structure. Experiments have shown that, on multiple scales, plastic deformation progresses through bursty events. On micron-scale, this is evident for instance in micro-pillar compression tests where the stress response of the sample exhibits strain bursts caused by dislocation avalanches. These avalanches have broad distributions of size and duration, and they cause the stress response to vary drastically from sample to sample resulting in fluctuations of sample properties. Here the aim was to study if the initial dislocation configuration has effect on the stress response of the sample. The compression test was simulated with a two-dimensional discrete dislocation dynamics (2D DDD) model which captures the complex interactions of the dislocations. The initial systems were then characterized with a set of inputs that were fed to a regression neural network predicting the stress for certain strain. Although a perfect fit was not achieved, the network output and the stress values correlated especially with small strains in the start of the simulation. As an alternative approach, the dynamics of the dislocation system were taught to an interaction network, which is a modification of the basic neural network, to perform predictions of the entire simulations of creep tests. en
dc.description.abstract Plastisen muodonmuutoksen aiheuttamat peruuttamattomat muutokset kiteisissä aineissa perustuvat dislokaatioiden eli viivamaisten hilavirheiden liikkeeseen aineen hilassa. Monet kokeet ovat osoittaneet, että plastinen deformaatio etenee purskeisesti -- esimerkiksi mikropilarien puristuskokeissa tämä ilmenee venymäpurskeina voima-venymä-käyrässä. Venymäpurskeet syntyvät dislokaatiovyöryistä. Vyöryjen koko ja kesto vaihtelevat laajasti ja ne aiheuttavat sen, että voima-venymä-vaste on näytteiden välillä hyvin erilainen. Tämän opinnäytetyön päämääränä olikin tutkia, onko näytteen alun dislokaatiorakenteella vaikutusta voima-venymä-vasteeseen. Data saatiin simuloimalla puristuskoetta kaksiulotteisen diskreetin dislokaatiodynamiikkamallin avulla. Puristuskoetta edeltäviä dislokaatiosysteemeitä kuvattiin parametreillä, jotka syötettiin neuroverkolle. Neuroverkon avulla sovitettiin epälineaarinen regressiomalli parametrien ja voima-venymä-vasteen välille. Vaikka sovitus ei onnistunut täydellisesti, neuroverkon ennustukset ja toteutuneet voima-venymä-arvot korreloivat erityisesti pienillä venymillä simulaation alussa. %Näin ollen mahdollinen yhteys alun rakenteen ja voimavasteen välillä on olemassa. Vaihtoehtoisena lähestymistapana kokeiltiin myös vuorovaikutusverkkoa, joka on muunnos perinteisestä neuroverkosta. Vuorovaikutusverkolle opetettiin dislokaatiosysteemin dynamiikka, minkä avulla ennustettiin kokonaisia vakiovoimalla suoritettavia simulaatioprosesseja. fi
dc.format.extent 48
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Predicting the behaviour of dislocation systems with machine learning methods en
dc.title Dislokaatiosysteemien ominaisuuksien ennustaminen koneoppimismenetelmien avulla fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword plastic deformation en
dc.subject.keyword dislocation dynamics en
dc.subject.keyword neural networks en
dc.subject.keyword interaction networks en
dc.identifier.urn URN:NBN:fi:aalto-201712188007
dc.programme.major Engineering Physics fi
dc.programme.mcode SCI3056 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Alava, Mikko
dc.programme Master’s Progamme in Engineering Physics fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse