音響プロファイリングによるデータ駆動型プラスティシティモデリング

arXiv cs.LG / 2026/3/30

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、圧縮負荷中に取得したアコースティック・エミッション（AE）信号を用いて、結晶ニッケルのマイクロピラーにおける塑性変形をモデル化するデータ駆動型の枠組みを提案する。
ウェーブレットベースのモレ変換により、多周波数帯にわたってAEイベントを検出し、従来のレトロスペクティブ解析では見落としていた微小規模のイベントも捉える。
検出したイベントは、機械的な応力ドロップのダイナミクスと照合して検証され、AEエネルギー放出とひずみの進展との間に一貫した関係があることを示す。さらに、大きなイベント後にひずみ速度が変化することも確認される。
工夫した時間／周波数領域の特徴量（例：RMS振幅、ゼロクロス率、スペクトル重心）に基づく機械学習は、ラベル付きのイベント／非イベントデータセットを用いた場合に、生信号そのものを入力する分類器よりも優れた性能を示す。
クラスタリングにより、AEの「イベント・アーキタイプ」が4種類に区別できることが明らかになり、AEパターンを異なる変形メカニズムに結び付ける。これにより、音響信号から材料挙動を予測するための道筋が示唆される。

要旨: 本論文は、アコースティック・エミッション（AE）解析を通じて結晶金属における塑性変形をモデル化するためのデータ駆動型フレームワークを提示する。ニッケルの微小ピラ―に対する圧縮負荷の実験データに基づき、本研究ではモレ変換を用いるウェーブレットベースの手法を導入し、異なる周波数帯にわたってAEイベントを検出することで、大きなイベントだけでなく、これまで見落とされていた小規模なイベントの同定も可能にする。検出されたイベントは応力低下ダイナミクスと照合され、強い物理的整合性が示されるとともに、AEエネルギー放出とひずみ進展との関係が明らかになる。そこでは主要なイベントの後に、ひずみ速度の増加が始まることも含まれる。イベントと非イベントに関するラベル付きデータセットを活用し、本研究では機械学習手法を適用することで、設計した時間領域および周波数領域の特徴が、生信号の分類器を大きく上回ることを示し、RMS振幅、ゼロ交差率、スペクトル重心といった主要な識別的特徴を特定する。最後に、クラスタリング解析により、異なる変形機構に対応する4つの異なるAEイベント・アーキタイプが見出され、音響信号を用いた材料挙動の予測モデリングへと、遡及的解析から移行できる可能性が示される。