文献

J-GLOBAL ID：202002241865162826   整理番号：20A0335293

機械学習により推定した熱力学データを用いた非平衡フェーズフィールドモデルによる凝固解析【JST・京大機械翻訳】

Solidification analysis by non-equilibrium phase field model using thermodynamics data estimated by machine learning

著者 (6件)： Nomoto Sukeharu (Department of Materials Design Innovation Engineering, Nagoya University, Nagoya, Japan) ,  Nomoto Sukeharu (Science & Engineering System Division, ITOCHU Techno-Solutions Corporation, Tokyo, Japan) ,  Wakameda Hiroshi (Science & Engineering System Division, ITOCHU Techno-Solutions Corporation, Tokyo, Japan) ,  Segawa Masahito (Science & Engineering System Division, ITOCHU Techno-Solutions Corporation, Tokyo, Japan) ,  Yamanaka Akinori (Department of Mechanical Systems Engineering, Tokyo University of Agriculture and Technology, Tokyo, Japan) ,  Koyama Toshiyuki (Department of Materials Design Innovation Engineering, Nagoya University, Nagoya, Japan)
資料名： Modelling and Simulation in Materials Science and Engineering  (Modelling and Simulation in Materials Science and Engineering)
巻： 27  号： 8  ページ： 084008 (15pp)  発行年： 2019年 
JST資料番号： W0484A  ISSN： 0965-0393  CODEN： MSMEEU  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 有限界面散逸モデルを用いた多相場法(MPFM)を適用して,δ-フェライトを含むステンレス鋼組成の凝固ミクロ組織変化をγ-オーステナイト包晶変態にシミュレートした。計算は,二次元場におけるエンジニアリング鋼の五元系に対して行った。このMPFMにおけるCALPHADデータベースを用いた熱力学計算を,機械学習予測により置き換えて,数値時間を低減した。本研究では,ニューラルネットワーク法を機械学習のために導入した。CALPHADデータベース結合結果から推定したGibbs自由エネルギーと化学ポテンシャル値を,組成と温度値と共にニューラルネットワーク学習手順に入力した。得られたニューラルネットワークパラメータを用いて評価した微細構造はCALPHADデータベースと直接結合したものと良く一致した。この計算は直接CALPHAD計算より約5倍速い。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  ステンレス鋼 ,  フェライト ,  化学ポテンシャル ,  データベース ,  *学習 ,  *凝固 ,  *機械学習 ,  界面 ,  微細構造 ,  二次元 ,  *非平衡状態 ,  オーステナイト ,  Gibbs自由エネルギー ,  鋼

分類 (4件)： 組織的硬化現象  (WB01020C) ,  固-液界面  (CB12050B) ,  金属の格子欠陥  (BK12030F) ,  変態組織,加工組織  (WB01030N)

タイトルに関連する用語 (7件)： 機械学習 ,  推定 ,  熱力学データ ,  非平衡 ,  フェーズフィールドモデル ,  凝固 ,  解析