2022 Fiscal Year Annual Research Report
Improvement in predictive accuracy of crystal-plasticity analysis by utilizing oligocrystal metal and machine learning
| Project/Area Number |
20H02480
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
浜 孝之 京都大学, エネルギー科学研究科, 教授 (10386633)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
高村 正人 国立研究開発法人理化学研究所, 光量子工学研究センター, 上級研究員 (00525595)
山中 晃徳 東京農工大学, 工学(系)研究科(研究院), 教授 (50542198)
内田 壮平 地方独立行政法人大阪産業技術研究所, 和泉センター, 主任研究員 (70736305)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 結晶塑性有限要素法 / データ同化 / 粗大結晶粒材 |
|---|
| Outline of Annual Research Achievements |
2022年度の実施内容と得られた成果を以下に示す．
（１）本研究では，データ同化手法としてアンサンブル4次元変分法を用いた．この手法では，十分なアンサンブル数を予め準備することが重要である．一方，結晶塑性有限要素法解析では計算コストが高いため，通常どおりに順次解析する方法では十分なアンサンブル数を確保することが難しい．この問題に対して，一度に全ての解析を行うのではなく都度の計算結果を保存してアンサンブル数として再利用することにより，必要となるアンサンブル数を確保することに成功した．データ同化では，観測データとしてひずみ成分を採用した．解析結果との差分に関する評価関数の最小化を行い，加工硬化パラメータの最適化を試みた．
（２）上記の条件に基づき，2021年度に設定した条件を用いて純アルミニウム板の引張変形について改めてデータ同化を適用した．まず，データ同化で対象とすべき領域について検討した．その結果，ひずみ分布が実験と解析で最も大きく異なる領域に焦点を絞ることで，比較的効率よくひずみ分布の予測精度を向上できることが明らかとなった．このとき，純アルミニウムのような面心立方金属では可変な材料パラメータが多くないことから，すべり系ごとで異なるパラメータを設定することが精度向上を実現する上で有効である可能性が示された．また本解析事例の場合，データ同化で対象とした領域におけるひずみ分布の向上の実現には，その領域内ではなくむしろその周囲の領域におけるすべり系活動の変化が大きく寄与していることが明らかとなった．
（３）解析では供試材の粒形状が板厚方向で完全に一様であると仮定した一方で，実験では必ずしも一様ではなく，そのことが予測精度の低下をもたらしている可能性が示唆された．今後は粒形状の適切なモデル化手法について検討する必要があることが示された．
（４）本研究を総括し，今後の課題を抽出した．
|
| Research Progress Status |
令和4年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和4年度が最終年度であるため、記入しない。
|
