| Project/Area Number |
20H02476
|
|---|
| 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), 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)
箱山 智之 岐阜大学, 工学部, 助教 (20799720)
桑原 利彦 東京農工大学, 工学(系)研究科(研究院), 卓越教授 (60195609)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 板材成形 / 材料モデリング / 機械学習 / データ同化 / 最適化 / フェーズフィールド法 |
|---|
| Outline of Annual Research Achievements |
本研究では, 計算材料科学とデータ科学を駆使して, 金属板材の組織情報から機械的特性や成形性を順推定するのみならず, その逆推定や最適化を可能とする数値計算技術を開発することを目的とする. 本研究ではアルミニウム合金板材を対象材料として, 目的達成を目指す. 2020年度は, 当初計画通りに研究を遂行し, 学術論文2編の研究成果を得た.
（１）アルミニウム合金板の圧延集合組織と再結晶集合組織を予測する計算手法を開発するため, マルチフェーズフールド法に基づく再結晶粒成長シミュレーションモデルを構築した. このモデルには, 複数のパラメータが存在し, それら集合組織予測に大きな影響を与える. そこで, 局所アンサンブル変換カルマンフィルタ（LETKF）を用いたデータ同化によるパラメータ同定技術を開発した. その成果は, 学術論文（Takahashi et. al., Comput. Mater. Sci., (2020)）にて報告した. ただし, この研究成果は, 合金凝固シミュレーションに対するLETKFの適用とパラメータ推定を検証したものであり, 今後, 再結晶粒成長シミュレーションモデルへのLETKFの適用とパラメータ推定の実現可能性を明らかにする.
（２）先行研究（Koenuma et. al., Mater. Trans., (2020)）で構築した, アルミニウム合金板材の集合組織から単軸変形時の応力－ひずみ曲線を深層学習により高速推定する技術を応用し, 2軸引張応力状態での応力－ひずみ曲線の推定技術を開発した. この研究成果は, 学術論文（Yamanaka et. al., Mater. Design, (2020)）にて報告した. また, 転移学習を応用して, 少ない訓練データでも高精度な応力－ひずみ曲線の推定が可能であることを確認した.
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
結晶塑性理論に基づく圧延集合組織予測手法は, 過去の研究において開発済みであり, 本研究の目的達成に向けては, フェーズフィールド法等を用いた再結晶集合組織予測手法の構築が不可欠である. マルチフェーズフィールド法を用いた再結晶粒成長のシミュレーションモデルは, すでに構築済みであるが, 定量的な再結晶集合組織の予測に必要なパラメータ（粒界エネルギーや粒界モビリティーなど）が不正確な状況にある. 実験データ等からパラメータを逆同定するためのデータ同化プログラムソースコードは, 2020年度の研究で構築することができた. 当初計画通り, 2021年度以降の研究でも引き続き, 再結晶集合組織の予測にデータ同化技術を応用する必要がある.
深層学習を用いた, アルミニウム合金板材の応力－ひずみ曲線の推定技術の開発に関しては, 深層学習モデル（ニューラルネットワーク）や数値計算技術は, 2020年度の研究で確立した. しかしながら, 深層学習に必要な訓練データは, 結晶塑性解析で得られる計算データを利用しており, 実験データの蓄積が必要である. 2020年度内において, すでに複数種類のアルミニウム合金板材の材料試験を実施し, データベースに蓄積を開始したが, 2021年度も引き続きデータベースの拡充が必要である.
当初計画において, 2022年度に実施予定であった, ベイズ最適化による材料組織最適化技術の開発を, 2020年度内に着手した. アルミニウム合金板材の機械的特性を改善するための, 集合組織の最適化計算などを実施しており, 2021年度において学会発表や学術論文への報告を予定する.
|
| Strategy for Future Research Activity |
2021年度は, 上記に記載した2020年度の研究で未解決の課題に取り組むとともに, 当初計画通り, 下記の方針で研究を推進する.
（１）材料組織の逆推定手法の構築を行う. 2020年度においては, 深層学習を用いて, アルミニウム合金板材の集合組織から応力－ひずみ曲線を順推定することを可能とした. 2021年度においては, 最先端の深層学習手法である敵対的生成ネットワークを用いて, 上記の逆推定（応力－ひずみ曲線から集合組織を予測）を可能とする技術を開発する.
（２）データ同化による材料モデルの同定手法を構築する. 深層学習に必要な訓練データを材料試験で取得することを計画するが, 研究期間内に十分なデータ数が収集できない可能性がある. そこで, 2021年度では, デジタル画像相関法と単軸引張試験による実験とデータ同化を用いて, 実験データから直接材料モデルを同定する技術を開発する.
（３）ベイズ最適化による材料組織設計手法を開発する. 2022年度の実施項目であるが, 2021年度内に一定の研究成果を得ているため, 2021年度も先行して実施する. ベイズ最適化を用いて, アルミニウム合金板の成形性や塑性異方性を改善するための集合組織を提案できる設計手法を提案する.
上記で得られた研究成果は, 日本機械学会や日本塑性加工学会等の国内学会や国際会議等で発表する. また, 上記（２）および（３）の研究成果は, 当該分野の学術論文雑誌に投稿する. なお, （２）については, 国際共同研究を計画する.
|
