2018 Fiscal Year Research-status Report
多次元組織データを用いた組織予測理論へのデータ同化による新規材料設計因子の探索
| Project/Area Number |
18K13983
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
江草 大佑 東京大学, 大学院工学系研究科(工学部), 助教 (80815944)
|
|---|
| Project Period (FY) |
2018-04-01 – 2020-03-31
|
| Keywords | アルミニウム / 1XXX / 特性予測 / 不純物元素 / データ同化 |
|---|
| Outline of Annual Research Achievements |
持続発展可能な社会の構築に向けて、エネルギー利用効率化を推進する高機能軽金属材料の開発は重要な課題である。軽金属材料では微量添加元素による微視的組織制御が不可欠であり、近年では計算科学・データ科学を用いた材料設計が注目されている。こういった設計アプローチは既存の理論・データの範疇での特性最適化・プロセス開発効率化に対しては有効に働くと考えられるが、革新的な高機能材料開発に向けては材料特性に影響する新規な微細組織因子の発見が重要である。
本研究では、アルミニウム合金の機械的特性を主な対象として、原子～ミクロスケールにかけて取得可能な多次元組織データに対して理論予測・機械学習アプローチを用いて、材料特性に寄与する組織データを抽出するとともに、抽出データをデータ同化手法により材料組織学の理論に還元し、高機能材料設計の指針となる新規微細組織因子を見出すことを目的とする。
今年度は機械的特性を制御した種々のアルミニウム合金に対して組織データの取得を実施した。特にアルミニウム合金の代表的な不純物元素であるFeおよびSi元素が強度・延性に及ぼす影響に着目し、1000系（工業的純アルミ）および8000系（Fe過剰添加Al合金）について集中的に調査を実施し、合金成分および加工熱処理条件の違いによる特性変化を確認した。材料組織データについては、材料組織学への還元を前提として、粒径・転位密度・集合組織などの一般的な組織情報を取得するとともに、EDSなどの分光法による多次元スペクトルデータを原子～ミクロスケールに渡って取得した。
今後は継続的に組織データを取得すると共に、取得した多次元組織データを用いた機械学習による特性予測・誤差評価を行い、材料特性に影響する新規組織因子の抽出に取り組む。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
機械的特性を制御した種々のアルミニウム合金に対して組織データの取得を実施した。特にアルミニウム合金の代表的な不純物元素であるFeおよびSi元素が強度・延性に及ぼす影響に着目し、1000系（工業的純アルミ）および8000系（Fe過剰添加Al合金）について集中的に調査を実施した。
1000系合金：熱処理条件の変化による微量Fe, Si元素存在状態の変化を中心に調査を実施した。
8000系合金：Fe添加量および加工条件の変化による加工組織の変化を中心に調査を実施した。
材料組織データについては、材料組織学への還元を前提として、粒径・転位密度・集合組織などの一般的な組織情報を取得するとともに、EDSなどの分光法による多次元スペクトルデータを原子～ミクロスケールに渡って取得した。
|
| Strategy for Future Research Activity |
他のアルミニウム合金も含めて継続的に組織データを取得すると共に、取得した多次元組織データを用いた機械学習による特性予測・誤差評価を行い、材料特性に影響する新規組織因子の抽出に取り組む。
データ取得の候補としては代表的な時効硬化型合金である6000系（Al-Mg-Si)を検討しており、時効処理に伴う特性変化の基礎データを調査中である。
得られたデータに対して、概念駆動モデルに基づく特性予測を行い、実測値との差分に寄与する組織データを機械学習手法により抽出する。
概念駆動型モデルについては微視的な転位・析出物の相互作用から特性予測を実施可能な4IVM（Internal Variable Model）をベースに検討する。実測特性に対する予測誤差を教師データとして教師有りNMF（Non-negative matrix factorization）を適用し、特性変化に影響する組織データを特定する。
|
