|
合金の固液界面エネルギーの異方性は凝固組織の形態を決定する重要な因子である．fcc合金は二つの異方性パラメータによって固液界面エネルギーの異方性が記述される．しかし，多くの合金系においてその異方性パラメータの値は不明であり，実験，計算による推定も困難なのが現状である．本研究では，逆解析的なアプローチとしてシミュレーションで得られた多様な組織形態から，逆に異方性パラメータを推定することを試みた．また，凝固組織の3次元形態を扱うのは難しいため，形態の特徴のみを抽出し2次元で表すことができる interfacial shape distribution (ISD) マップに着目した．
本研究では，フェーズフィールド・シミュレーションを用いて，多様な異方性パラメータのセットにおけるfcc二元系合金の等温凝固シミュレーションを行なった．それから得られたISDマップを学習データとし，convolutional neural network (CNN)を用いて学習させ，異方性パラメータとISDマップを関係づけた．学習によって得られた関係を用いて，任意のISDマップから，逆にその異方性パラメータを推定することを試みた．
異方性パラメータの数によって4900から40000枚のISDマップを用いてCNNによる学習を行なった．また，学習データと異なる異方性パラメータのセットから得られた10000枚のISDマップを用いて，学習させたCNNモデルでその異方性パラメータの推定を行なった．その結果，学習データ数が多くなるほど推定精度が高くなることが分かり，40000枚のISDマップで学習させた場合は，二つの異方性パラメータを5%以下の高精度で推定することができた．今後，このアプローチを用いて，X線トモグラフィーなどで得られた凝固組織のISDマップから実合金の異方性パラメータの推定が期待できる．
|
