2017 Fiscal Year Annual Research Report

高精度多軸材料試験と機械学習により実現する板材成形シミュレーションの高度化

Research Project

Project/Area Number	17H03425
Research Institution	Tokyo University of Agriculture and Technology
Principal Investigator	山中晃徳東京農工大学, 工学(系)研究科(研究院), 准教授 (50542198)
Co-Investigator(Kenkyū-buntansha)	渡邊育夢国立研究開発法人物質・材料研究機構, 構造材料研究拠点, 主任研究員 (20535992) 桑原利彦東京農工大学, 工学(系)研究科(研究院), 教授 (60195609)
Project Period (FY)	2017-04-01 – 2020-03-31
Keywords	機械学習 / 結晶塑性 / 成形シミュレーション / フェーズフィールド法 / アルミニウム合金 / 有限要素法 / 集合組織
Outline of Annual Research Achievements	本研究では、フェーズフィールド法等による材料組織予測、多軸材料試験法と結晶塑性有限要素法による成形シミュレーションを機械学習により飛躍的に高精度化することを目的とする。また、多軸材料試験の実験データとシミュレーションで得られる計算データを利用することで機械学習を活用した高精度成形シミュレーションの確立とその適用限界を明らかにする。平成29年度は、(1)結晶塑性解析とモンテカルロ法などを駆使したアルミニウム合金の成形性を決定づける集合組織の予測手法の構築、(2)アルミニウム合金の化学組成、集合組織、結晶粒径から単軸応力ひずみ曲線を予測するニューラルネットワーク(NN)の構築の2点を計画し、これらを計画通りに実施した。 (1)については、アルミニウム合金板の圧延加工を想定した結晶塑性高速フーリエ変換法を用いた変形シミュレーションを行い、シミュレーションで得られた合金中の蓄積エネルギーや結晶方位を入力データとしたモンテカルロ法による静的再結晶組織形成シミュレーション方法を開発した。この成果は、日本計算工学会平成29年度計算工学講演会において口頭発表を行った。ただし、粒界異方性のモデリング精度に改善の余地があり、平成30年度の研究課題である。 (2)については、結晶塑性有限要素法による数値二軸材料試験で予測されるアルミニウム合金板の応力-ひずみ曲線を予測するNNを構築した。NNの学習には、大量の学習データが必要となるが、数値二軸材料試験のプログラムを並列化し、一度に大量の学習データを生成することが可能となった。この成果により、ある特定の材料ではあるが、結晶塑性有限要素法のプログラムがない環境でも、任意の応力比を入力情報として、NNから二軸応力状態での応力-ひずみ曲線が高精度に算出可能となった。上記の成果は、ほぼ当初計画通りに研究が遂行されたことを示している。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 研究実績の概要に記載したように、平成29年度の研究は、ほぼ研究計画通りに進展している。しかしながら、アルミニウム合金の集合組織予測については、粒界異方性のモデリング精度の改善が必要であり、平成30年度の研究において、データ同化を用いた粒界異方性の推定手法を構築する計画である。また、アルミニウム合金板の応力-ひずみ曲線を予測するニューラルネットワーク(NN)の構築については、数値二軸材料試験が実験結果を精度良く再現すること、そして数値二軸材料試験の結果を学習したNNが実験結果をよく再現できることを確認しており、計画通りに研究は進展した。ただし、現状ではNNの入力データとして応力比のみとなっているため、平成30年度の研究では、応力比以外に、集合組織情報、結晶粒径、粒径分布などの多入力にも対応できるNNを構築する必要がある。
Strategy for Future Research Activity	平成30年度の研究も、当初計画通りに遂行する。アルミニウム合金の集合組織予測については、データ同化で推定される粒界異方性を考慮した静的再結晶シミュレーションを行い、集合組織形成の予測精度向上を目指す。この時、研究分担者と協働し、変形集合組織の予測精度の向上を目指す。さらに、平成29年度に基礎検討を行ったNNについて発展させ、応力比、集合組織情報、結晶粒径、粒径分布などの多入力データから、応力-ひずみ曲線の出力を介さず、直接等塑性仕事面を予測するNNの構築に挑戦する。また、並行して、NNの学習データ及び数値材料試験の検証データとなる、多軸応力試験（実験）を実施し、実験データを蓄積する。