Dynamic compaction of aluminum with nanopores of varied shape: MD simulations and machine-learning-based approximation of deformation behavior

Development of a Continual Model of Dynamic Fracture of Refractory Metals

“…Распределение пор по размерам и их количество определялось по алгоритму обработки атомных конфигураций [5,6]. На основе предыдущих наработок [7,8] развита и проверена по результатам МД континуальная модели динамического разрушения тугоплавких металлов. Для определения параметров модели используется вероятностный алгоритм Байеса.…”

Dynamic Deformation of Porous Metals: Molecular Dynamics Study, Theoretical Models and Machine Learning

“…Результаты МД анализируются и далее в качестве обучающих данных. На макроскопическом уровне мы сравнили два подхода, основанные на машинном обучении, искусственную нейронную сеть (ИНС) [1,2] и микромеханическую модель [2,3] с автоматической байесовской идентификацией параметров модели в применении к имитации деформационного поведения нанопористого алюминия. Данные МД использовались для обучения ИНС и для оптимизации параметров, то есть тоже в определенном смысле обучения микромеханической модели.…”

Behavior of Triple Points of Grain Boundaries During Shear Deformation in FCC Metals

“…Визуализация и анализ атомных структур выполняются с помощью пакета OVITO [3]. Аппроксимация сложных зависимостей методами машинного обучения на основе данных молекулярно-динамического моделирования деформации металлов показывает хорошие результаты, что представлено в недавних работах [4,5]. В данной работе на основе данных молекулярно-динамического моделирования сдвиговой деформации поликристаллов с тройными точками составлен набор данных для обучения, тестирования и валидации искусственной нейронной сети (ИНС).…”