Collective phenomena in dislocation plasticity: jamming, avalanches and yielding

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
School of Science | Doctoral thesis (article-based) | Defence date: 2022-06-22
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
72 + app. 64
Series
Aalto University publication series DOCTORAL THESES, 73/2022
Abstract
When crystalline materials are externally loaded, the irreversible changes in the shape, i.e. plastic deformation, results from the motion of dislocations that are line-like defects in the crystal lattice. Thus, the mechanical properties of crystalline materials, including most metals, are dependent on both the interactions between dislocations with other dislocations and dislocations with other types of crystal defects. Observing crystal plasticity on micron-scale reveals that it proceeds in discrete intermittent events that are avalanches of collective dislocation motion. The size and duration of these avalanches follow power-law distributions which is typical for critical phenomena. As the avalanches are dependent on the features of the unique, initial dislocation structure, micron-scale samples exhibit fluctuations in the stress-strain response and mechanical properties. This dissertation consists of two parts where we study crystal plasticity with 2D and 3D discrete dislocation dynamics simulations. In the first part, we focus on the seemingly stochastic, avalanche-dominated stress-strain curves of dislocation systems.In Publication I, we use supervised machine learning methods to predict 2D single system stress-response from the initial state of the system. And in Publication II, we find correlations between the subsequent avalanches of the stress-strain curve in both 2D and 3D systems. The second part considers 3D dislocation simulations with disorder in the form of precipitates. As precipitates block dislocation motion, they are commonly added to increase yield strength of the crystal. In Publication III, we study the effect of precipitate density and strength on the avalanche distributions and yield stress. We find a phase transition between low precipitate density systems, where dislocation-dislocation interaction dominates and the systems exhibit extended criticality, and high precipitate density systems, where dislocations pin to the defects and the systems possess a distinct critical point. Finally in Publication IV, we use unsupervised machine learning to locate the phase transition by using solely the dislocation structures extracted from systems with varying precipitate density.

Kiteisissä aineissa tapahtuva palautumaton, eli plastinen, muodonmuutos syntyy hilassa liikkuvien dislokaatioiden – viivamaisten hilavirheiden – liikkeestä. Näin ollen kiteisten aineiden, kuten useimpien metallien, mekaaniset ominaisuudet määräytyvät hilassa olevien dislokaatioiden keskinäisestä dynamiikasta sekä dislokaatioiden vuorovaikutuksesta muiden hilan epäpuhtauksien kanssa. Tarkasteltaessa plastista muodonmuutosta mikrometrien kokoluokassa etenee se pääosin kollektiivisina monen dislokaation vyöryinä, joiden koko ja kesto noudattavat potenssilakijakaumaa. Tämä on tyypillistä kriittisten ilmiöiden yhteydessä. Koska kiteessä ulkoisen voiman vaikutuksesta syntyvät dislokaatiovyöryt riippuvat kiteen alkuperäisestä dislokaatioverkostosta, pienissä mikrotason kappaleissa vyöryt aiheuttavat hajontaa voima-venymäkäyriin ja mekaanisiin ominaisuuksiin. Tässä työssä kiteisten aineiden plastista muodonmuutosta tutkitaan kaksi- ja kolmiulotteisten diskreettien dislokaatiomallien simulaatioiden avulla kahdesta eri näkökulmasta. Työn ensimmäisessä osassa keskitytään vyöryjen aiheuttamaan satunnaisuuteen dislokaatiosysteemien voima-venymäkäyrissä. Julkaisussa I tutkitaan, voiko yksittäisen kaksiulotteisen systeemin vastetta ulkoiseen voimaan ennakoida systeemin alkutilan perusteella ohjatuin koneoppimismenetelmin. Julkaisussa II tarkastellaan voima-venymäkäyrän muodostavien peräkkäisten vyöryjen välisiä korrelaatioita sekä kaksi- että kolmiulotteisissa simulaatioissa. Työn toisessa osassa kolmiulotteisiin dislokaatiosimulaatioihin lisätään erkaumia, mikä on yksi tapa estää dislokaatioiden liikettä ja näin nostaa materiaalin myötörajaa. Julkaisussa III käsitellään erkaumien määrän ja voimakkuuden vaikutusta vyöryjen jakaumiin ja systeemien myötölujuuteen. Simulaatioiden avulla löydetään faasitransitio pienemmän erkaumatiheyden systeemeistä, joissa dislokaatioiden väliset vuorovaikutukset määrittävät systeemin dynamiikan ja systeemi on jatkuvasti kriittinen, suuren erkaumatiheyden systeemeihin, joissa dislokaatiot kiinnittyvät erkaumiin ja systeemeillä on tietty kriittinen piste. Lopulta julkaisussa IV käytetään ohjaamattomia koneoppimismenetelmiä faasitransition löytämiseen eri erkaumatiheyksisistä systeemeistä pelkkien dislokaatiorakenteiden avulla.
Description
Supervising professor
Alava, Mikko, Prof., Aalto University, Department of Applied Physics, Finland
Thesis advisor
Laurson, Lasse, Prof., Tampere University, Finland
Keywords
plastic deformation, dislocations, machine learning, plastinen muodonmuutos, dislokaatiot, koneoppiminen
Other note
Parts
  • [Publication 1]: Henri Salmenjoki, Mikko J. Alava, Lasse Laurson. Machine learning plastic deformation of crystals. Nature Communications, 9, 5307, December2018.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-201901141185
    DOI: 10.1038/s41467-018-07737-2 View at publisher
  • [Publication 2]: Henri Salmenjoki, Lasse Laurson, Mikko J. Alava. Avalanche correlations and stress-strain curves in discrete dislocation plasticity. Physical Review Materials, 5, 073601, July 2021.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202108048190
    DOI: 10.1103/PhysRevMaterials.5.073601 View at publisher
  • [Publication 3]: Henri Salmenjoki, Arttu Lehtinen, Lasse Laurson, Mikko J. Alava. Plastic yielding and deformation bursts in the presence of disorder from coherent precipitates. Physical Review Materials, 4, 083602, August 2020.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202009115357
    DOI: 10.1103/PhysRevMaterials.4.083602 View at publisher
  • [Publication 4]: Henri Salmenjoki, Lasse Laurson, Mikko J. Alava. Probing the transition from dislocation jamming to pinning by machine learning. MaterialsTheory, 4(1), 1-16, October 2020.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202101251384
    DOI: 10.1186/s41313-020-00022-0 View at publisher
Citation