AI-driven inverse method for identifying mechanical properties from Small Punch tests

Thumbnail Image

Files

master_Lahikainen_Joonas_2025.pdf (5.91 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-31

Department

Major/Subject

Machine Learning, Data Science and Artificial Intelligence

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

48

Series

Abstract

In response to the decades-long timelines typically required for materials development, there has been growing momentum toward a new research paradigm known as materials acceleration platforms (MAPs). Described as self-driving laboratories, MAPs aim to automate material synthesis and characterisation so researchers can focus on higher-level analysis and decision-making. Progress toward this goal is largely driven by the close integration of machine learning (ML) techniques with established methods. To this end, this thesis explores the use of ML with Small Punch Tests (SPTs) as a cost-effective alternative to full-scale tensile tests for predicting strain hardening behaviour in metallic materials. The use of miniature specimens in SPTs simplifies manufacturing and enables a higher number of experiments for high-throughput screening in MAPs, which is especially beneficial when dealing with limited or expensive materials. Existing tools and methods for characterising materials with SPTs rely largely on empirical correlation laws, which cannot be easily extended to more complex materials, environments, and mechanical properties. Motivated by this, this work employs two kinds of ML models which learn relevant correlations directly from data: a multilayer perceptron and Gaussian process (GP) regression. Specifically, these models are trained to predict the Swift hardening law parameters from parametrised SPT curves. Model performance is benchmarked against two baseline methods and evaluated on both simulated finite element (FE) data and experimental results. Among all tested models, GP regression consistently achieves the highest accuracy. While the models exhibit strong predictive capability on simulated data, they generalise poorly to experimental data. This discrepancy is attributed to a mismatch between the FE model and real-world experimental conditions, prompting further assessment of its quality and sensitivity to the inherent noise of SPT results. Despite this limitation, the developed framework establishes a solid foundation for future work. Further calibration and assessment with experimental data is necessary to improve model generalisation and advance the role of SPTs in accelerated materials research.

Materiaalikehityksen perinteisesti vuosikymmeniä kestävät aikataulut ovat herättäneet kiinnostusta uudenlaisiin lähestymistapoihin materiaalitutkimuksessa. Yksi tällainen on itseohjautuvat laboratoriot eli “materials acceleration platforms” (MAPs). Keskeinen piirre MAPeissa on koneoppimisalgoritmien tiivis integrointi vakiintuneiden menetelmien kanssa, mikä mahdollistaa materiaalien automaattisen synteesin ja karakterisoinnin. Jatkaen tätä kehityssuuntaa, tässä diplomityössä tarkastellaan koneoppimisen ja Small Punch -testin (SPT) käyttöä kustannustehokkaana vaihtoehtona täysimittaisille vetokokeille metallien muokkauslujittumiskäyttäytymisen ennustamisessa. SP-testeissä käytettävien pienikokoisten näytteiden valmistus on yksinkertaista ja mahdollistaa suuremman määrän kokeita materiaalien läpikäymistä varten MAPeissa – erityisesti silloin, kun materiaalia on saatavilla vain rajallisesti tai se on kallista. Nykyiset työkalut ja menetelmät materiaalien karakterisointiin SPT:n avulla perustuvat pitkälti empiirisiin korrelaatiolakeihin, joita ei voida helposti yleistää monimutkaisempiin materiaaleihin, testiolosuhteisiin tai mekaanisiin ominaisuuksiin. Tästä syystä työssä hyödynnetään kahdenlaista koneoppimismallia, jotka oppivat olennaiset yhteydet suoraan datasta: monikerroksista perseptroniverkkoa ja Gaussisia prosesseja (GP). Mallit opetetaan ennustamaan Swiftin lujittumislain vakioiden arvot parametrisoiduista SPT-käyristä. Vertailukohtina käytetään kahta perusmenetelmää, ja mallien suorituskykyä arvioidaan sekä simuloidulla elementtimenetelmäpohjaisella datalla että kokeellisilla tuloksilla. Kaikista testatuista malleista parhaiten suoriutuu GP-malli. Mallit ennustavat hyvin simuloitua dataa, mutta eivät yleisty kokeelliseen dataan. Syynä tähän on se, että elementtimenetelmässä käytetty malli ei vastaa todellisia kokeellisia olosuhteita. Tämä epäsuhta motivoi elementtimallin tarkempaa tarkastelua erityisesti laadun ja SPT-tuloksiin liittyvän kohinan näkökulmasta. Rajoitteista huolimatta kehitetty menetelmä tarjoaa hyvät lähtökohdat työn jatkokehitykselle. Mallin yleistettävyyden parantamiseksi tarvitaan lisäkalibrointia ja -arviointia kokeellisella datalla, mikä vahvistaisi SPT:n roolia nopeutetussa materiaalitutkimuksessa.

Description

Supervisor

Solin, Arno

Thesis advisor

Vajragupta, Napat

Keywords

small punch test, strain hardening, swift hardening law, stress–strain curve, finite element method, machine learning, multilayer perceptron, Gaussian process

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508196454

Collections

[dipl] Perustieteiden korkeakoulu / SCI