CVD-ZnS晶体的纳米机械性质和构成性行为:通过机器学习,数值模拟和实验验证进行全面研究

科学领域:

• 材料科学与工程 材料科学与工程
• 机械工程 机械工程
• 计算材料科学科学 计算材料科学

背景情况:

• 化学蒸汽沉积的硫化 (CVD-ZnS) 对于红外窗户和飞机雷达体至关重要,需要精确了解其机械行为.
• 现有的方法在CVD-ZnS中微/纳米尺度变形机制的准确参数识别方面扎.
• 可靠的表征对于确保高速飞机组件的服务可靠性至关重要.

研究的目的:

• 开发一种新的多目标参数逆转方法,用于描述CVD-ZnS的微/纳米尺度机械行为.
• 建立一个可靠的框架,准确识别塑料构成参数.
• 调查变形机制并确定CVD-ZnS中的过渡点.

主要方法:

• 开发了一个自动化的Python驱动的有限元模拟,以生成一个大型的纳米缩数据集.
• 整合了猪优化器 (CPO) 与反向传播神经网络 (BPNN),以创建一个高精度的代孕模型.
• 采用NSGA-II多目标优化框架与权分析进行全面评估和参数反转.

主要成果:

• 与传统的BPNN相比,CPO-BPNN替代模型在预测准确度上有40-56%的改进.
• 确定了最佳的约翰逊-库克 (J-C) 构成参数 (A=322.8 MPa,B=1014.1 MPa,n=0.32),可以准确预测实验反应.
• 纳米划痕实验揭示了变形机制,并在脆性到柔性过渡点 (DBT) 确定了相当的残余槽深 (133.96 ± 4.64 nm).

结论:

• 拟议的元启发调节神经网络框架为CVD-ZnS的微/纳米尺度机械表征提供了可靠和综合的方法.
• 识别的J-C参数和DBT指标增强了在各种条件下对CVD-ZnS行为的理解和预测.
• 这种方法提供了一个强大的解决方案,用于精确的反转和塑料构成性行为在先进材料的特征.