第1章：結晶粒と粒界の基礎

結晶粒（grain）は多結晶材料の基本構成単位であり、その大きさと分布が材料の機械的性質を大きく左右します。この章では、結晶粒と粒界の基礎概念、Hall-Petch関係による強化メカニズム、EBSD（電子後方散乱回折）解析の基礎を学び、組織制御による材料設計の基盤を築きます。

1.1 結晶粒とは何か

多結晶材料の構造

実用材料の多くは多結晶体（polycrystalline material）です。多結晶体は、結晶方位が異なる多数の小さな結晶（結晶粒、grain）が集まって形成されています。

結晶粒（grain）とは、内部で原子配列が一様で連続的な結晶領域のことです。隣接する結晶粒とは結晶方位が異なり、その境界を粒界（grain boundary）と呼びます。

結晶粒の重要性

結晶粒の大きさ（粒径、grain size）は、材料の機械的性質に決定的な影響を与えます：

• 細粒化（微細化） → 強度・硬度の向上（Hall-Petch関係）
• 粗大化 → 延性の向上、クリープ抵抗の低下
• 粒界の性質 → 腐食抵抗、拡散速度、破壊挙動に影響

実例:

• 自動車用鋼板: 平均粒径5-15 μm（高強度）
• 航空機用Al合金: 平均粒径50-100 μm（延性重視）
• ナノ結晶材料: 平均粒径 < 100 nm（超高強度）

粒径の測定方法

粒径は、以下のいずれかの方法で定量化されます：

1. 平均線分法（Line Intercept Method）

組織写真上に任意の直線を引き、粒界との交点数から計算します。

$$\bar{d} = \frac{L}{N}$$

ここで、$\bar{d}$は平均粒径、$L$は線分の長さ、$N$は粒界交点数です。

2. 面積法（Planimetric Method）

画像解析で各結晶粒の面積を測定し、円相当直径を計算します。

$$d_i = 2\sqrt{\frac{A_i}{\pi}}$$

ここで、$d_i$は結晶粒$i$の円相当直径、$A_i$はその面積です。

3. ASTM粒度番号（ASTM Grain Size Number）

標準チャートと比較する方法です。粒度番号$G$と平均粒径の関係：

$$N = 2^{G-1}$$

ここで、$N$は1平方インチ（645 mm²）あたりの結晶粒数です。

1.2 粒界の種類と性質

粒界とは

粒界（grain boundary）は、隣接する2つの結晶粒の境界面です。粒界では原子配列が乱れており、結晶内部とは異なる性質を持ちます。

粒界の特徴:

• 高エネルギー状態（原子配列の乱れ）
• 拡散の速い経路（拡散係数が結晶内の10⁵倍）
• 転位の運動を阻害（強化効果）
• 腐食の起点となりやすい

粒界の分類

1. 方位差による分類

2. 幾何学的分類

• 傾斜粒界（Tilt boundary）: 回転軸が粒界面内にある
• ねじれ粒界（Twist boundary）: 回転軸が粒界面に垂直
• 混合粒界（Mixed boundary）: 傾斜とねじれの組み合わせ

3. 特殊粒界（CSL理論）

対応格子点（Coincidence Site Lattice, CSL）理論によれば、ある特定の方位関係を持つ粒界は、格子点の一部が一致し、低エネルギー状態となります。

Σ（シグマ）値で分類されます：

• Σ3 粒界: 双晶境界（60° <111> 回転）、最も低エネルギー
• Σ5, Σ7, Σ9...: 特殊粒界、一般粒界より低エネルギー
• Σ値が大きい: 一般粒界に近い

$$\Sigma = \frac{1}{\text{一致格子点の密度}}$$

粒界エネルギーと粒成長

粒界はエネルギーの高い界面であるため、系は粒界面積を減らそうとします。これが粒成長（grain growth）の駆動力です。

粒界移動の駆動力（単位体積あたり）：

$$P = 2\gamma \kappa$$

ここで、$\gamma$は粒界エネルギー（J/m²）、$\kappa$は粒界の曲率（1/m）です。

1.3 Hall-Petch関係

粒径と強度の関係

Hall-Petch関係は、結晶粒径と材料の降伏強度の関係を示す経験則です：

$$\sigma_y = \sigma_0 + \frac{k_y}{\sqrt{d}}$$

ここで、

• $\sigma_y$: 降伏強度（MPa）
• $\sigma_0$: 摩擦応力（粒径無限大での強度、MPa）
• $k_y$: Hall-Petch定数（MPa·μm^1/2）
• $d$: 平均粒径（μm）

Hall-Petch関係の物理的意味: 粒界は転位の運動を阻害します。結晶粒が細かいほど粒界密度が高くなり、転位が動きにくくなるため、材料は強くなります。

材料別のHall-Petch定数

細粒化による強化の限界

Hall-Petch関係は粒径が数十nm以下になると成立しなくなります（逆Hall-Petch効果）。ナノ結晶材料では、粒界すべり（grain boundary sliding）が支配的になり、粒径が小さいほど強度が低下することがあります。

1.4 EBSD（電子後方散乱回折）の基礎

EBSDとは

EBSD（Electron Backscatter Diffraction）は、走査型電子顕微鏡（SEM）を用いた結晶方位解析手法です。試料表面を電子ビームで走査し、各点での結晶方位を測定します。

EBSDで得られる情報:

• 結晶方位マップ（Orientation map）
• 粒界分布（Grain boundary map）
• 方位差分布（Misorientation distribution）
• 集合組織（Texture）
• 粒径分布

EBSDデータの基本

EBSDデータは、各測定点で以下の情報を持ちます：

• オイラー角（Euler angles）: (φ₁, Φ, φ₂) - 結晶方位を記述
• 位置座標: (x, y)
• 信頼度指標: CI（Confidence Index）、IQ（Image Quality）
• 相情報: Phase ID（多相材料の場合）

方位差（Misorientation）の計算

隣接する2つの結晶粒の方位差$\theta$は、回転行列$\mathbf{R}$を用いて計算されます：

$$\theta = \cos^{-1}\left(\frac{\text{trace}(\mathbf{R}) - 1}{2}\right)$$

方位差が15°以上の境界を大傾角粒界（HAGB）、15°未満を小傾角粒界（LAGB）と定義することが一般的です。

1.5 Pythonによる粒径分布の解析

環境準備

必要なライブラリをインストールします：

# 必要なライブラリのインストール
pip install numpy matplotlib pandas scipy scikit-image

コード例1: 対数正規分布に従う粒径分布の生成と可視化

実際の多結晶材料の粒径分布は、対数正規分布に従うことが多いです。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import lognorm

# 粒径分布のパラメータ設定
mean_grain_size = 10.0  # μm（幾何平均）
std_log = 0.5  # 対数標準偏差

# 対数正規分布のパラメータ変換
# mean = exp(mu + sigma^2/2) → mu = log(mean) - sigma^2/2
sigma = std_log
mu = np.log(mean_grain_size) - sigma**2 / 2

# 1000個の結晶粒の粒径を生成
np.random.seed(42)
n_grains = 1000
grain_sizes = lognorm.rvs(s=sigma, scale=np.exp(mu), size=n_grains)

# 統計量の計算
mean_size = np.mean(grain_sizes)
median_size = np.median(grain_sizes)
std_size = np.std(grain_sizes)

print("=== 粒径分布の統計量 ===")
print(f"平均粒径: {mean_size:.2f} μm")
print(f"中央値: {median_size:.2f} μm")
print(f"標準偏差: {std_size:.2f} μm")
print(f"最小粒径: {grain_sizes.min():.2f} μm")
print(f"最大粒径: {grain_sizes.max():.2f} μm")

# ヒストグラムとフィッティング曲線の作成
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))

# 線形スケールでのヒストグラム
ax1.hist(grain_sizes, bins=50, density=True, alpha=0.7,
         color='#f093fb', edgecolor='black', label='実測データ')

# フィッティング曲線
x = np.linspace(0, grain_sizes.max(), 1000)
pdf = lognorm.pdf(x, s=sigma, scale=np.exp(mu))
ax1.plot(x, pdf, 'r-', linewidth=2, label='対数正規分布フィット')

ax1.axvline(mean_size, color='blue', linestyle='--', linewidth=2,
            label=f'平均: {mean_size:.1f} μm')
ax1.axvline(median_size, color='green', linestyle='--', linewidth=2,
            label=f'中央値: {median_size:.1f} μm')

ax1.set_xlabel('粒径 (μm)', fontsize=12, fontweight='bold')
ax1.set_ylabel('確率密度', fontsize=12, fontweight='bold')
ax1.set_title('粒径分布（線形スケール）', fontsize=14, fontweight='bold')
ax1.legend()
ax1.grid(alpha=0.3)

# 対数スケールでのヒストグラム
ax2.hist(grain_sizes, bins=50, density=True, alpha=0.7,
         color='#f5576c', edgecolor='black')
ax2.plot(x, pdf, 'r-', linewidth=2)
ax2.set_xscale('log')
ax2.set_xlabel('粒径 (μm, 対数スケール)', fontsize=12, fontweight='bold')
ax2.set_ylabel('確率密度', fontsize=12, fontweight='bold')
ax2.set_title('粒径分布（対数スケール）', fontsize=14, fontweight='bold')
ax2.grid(alpha=0.3)

plt.tight_layout()
plt.show()

出力例:

=== 粒径分布の統計量 ===
平均粒径: 10.11 μm
中央値: 8.83 μm
標準偏差: 5.24 μm
最小粒径: 1.58 μm
最大粒径: 35.62 μm

解説: 対数正規分布は右に裾を引く形状を持ち、実際の粒径分布をよく表現します。平均値と中央値が異なることに注意しましょう。

コード例2: Hall-Petch関係の可視化と強度予測

Hall-Petch関係を用いて、粒径と降伏強度の関係をプロットします。

import numpy as np
import matplotlib.pyplot as plt

# 材料パラメータ（低炭素鋼）
sigma_0 = 50  # MPa（摩擦応力）
k_y = 0.60    # MPa·μm^(1/2)（Hall-Petch定数）

# 粒径の範囲（0.1 μm - 100 μm）
grain_sizes = np.logspace(-1, 2, 100)  # 対数スケール

# Hall-Petch関係式による降伏強度の計算
yield_strength = sigma_0 + k_y / np.sqrt(grain_sizes)

# 実験データ点（例）
experimental_d = np.array([1, 5, 10, 20, 50])  # μm
experimental_sigma = sigma_0 + k_y / np.sqrt(experimental_d)
# 実験誤差を追加
np.random.seed(42)
experimental_sigma += np.random.normal(0, 5, size=len(experimental_d))

# プロット作成
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))

# 線形スケールでのプロット
ax1.plot(grain_sizes, yield_strength, 'r-', linewidth=2.5,
         label='Hall-Petch関係式')
ax1.scatter(experimental_d, experimental_sigma, s=100,
            color='#f093fb', edgecolor='black', linewidth=2,
            label='実験データ', zorder=5)

ax1.set_xlabel('平均粒径 $d$ (μm)', fontsize=12, fontweight='bold')
ax1.set_ylabel('降伏強度 $\sigma_y$ (MPa)', fontsize=12, fontweight='bold')
ax1.set_title('Hall-Petch関係（線形スケール）', fontsize=14, fontweight='bold')
ax1.legend(fontsize=11)
ax1.grid(alpha=0.3)
ax1.set_xlim(0, 100)
ax1.set_ylim(40, 100)

# d^(-1/2)に対するプロット（線形関係）
ax2.plot(1/np.sqrt(grain_sizes), yield_strength, 'b-', linewidth=2.5,
         label=f'σ₀ = {sigma_0} MPa, k_y = {k_y} MPa·μm^(1/2)')
ax2.scatter(1/np.sqrt(experimental_d), experimental_sigma, s=100,
            color='#f5576c', edgecolor='black', linewidth=2,
            label='実験データ', zorder=5)

ax2.set_xlabel('$d^{-1/2}$ (μm$^{-1/2}$)', fontsize=12, fontweight='bold')
ax2.set_ylabel('降伏強度 $\sigma_y$ (MPa)', fontsize=12, fontweight='bold')
ax2.set_title('Hall-Petch プロット（線形化）', fontsize=14, fontweight='bold')
ax2.legend(fontsize=11)
ax2.grid(alpha=0.3)

plt.tight_layout()
plt.show()

# 特定の粒径での強度予測
target_grain_sizes = [1, 5, 10, 20, 50]
print("\n=== 粒径別の降伏強度予測 ===")
for d in target_grain_sizes:
    sigma = sigma_0 + k_y / np.sqrt(d)
    print(f"粒径 {d:3d} μm → 降伏強度 {sigma:5.1f} MPa")

# 目標強度から必要な粒径を逆算
target_strength = 70  # MPa
required_d = (k_y / (target_strength - sigma_0))**2
print(f"\n目標強度 {target_strength} MPaを達成するために必要な粒径: {required_d:.2f} μm")

出力例:

=== 粒径別の降伏強度予測 ===
粒径   1 μm → 降伏強度  50.6 MPa
粒径   5 μm → 降伏強度  50.3 MPa
粒径  10 μm → 降伏強度  50.2 MPa
粒径  20 μm → 降伏強度  50.1 MPa
粒径  50 μm → 降伏強度  50.1 MPa

目標強度 70 MPaを達成するために必要な粒径: 0.90 μm

解説: Hall-Petch関係は$d^{-1/2}$に対して線形です。細粒化による強化効果を定量的に評価でき、目標強度を達成するための粒径を逆算することもできます。

コード例3: 方位差（Misorientation）分布の生成と解析

EBSDデータの重要な情報である方位差分布をシミュレートします。

import numpy as np
import matplotlib.pyplot as plt

# ランダムな方位差分布を生成（Mackenzie分布に近似）
# Mackenzie分布: ランダムな結晶方位を持つ材料の方位差分布の理論値
def mackenzie_distribution(theta):
    """Mackenzie分布（立方晶系）

    Args:
        theta: 方位差角度（度）

    Returns:
        確率密度
    """
    theta_rad = np.radians(theta)
    # 簡易版のMackenzie分布式（立方晶系）
    return np.sin(theta_rad) * (1 - np.cos(theta_rad))

# 方位差角度の範囲（0-62.8度、立方晶系の最大方位差）
theta_range = np.linspace(0, 62.8, 1000)
mackenzie_pdf = mackenzie_distribution(theta_range)
mackenzie_pdf = mackenzie_pdf / np.trapz(mackenzie_pdf, theta_range)  # 正規化

# 実測データをシミュレート（ランダム分布 + 特殊粒界のピーク）
np.random.seed(42)
n_boundaries = 5000

# ランダム成分（80%）
random_misorientations = np.random.choice(
    theta_range, size=int(n_boundaries * 0.8),
    p=mackenzie_pdf/mackenzie_pdf.sum()
)

# Σ3双晶境界（60度）成分（15%）
twin_misorientations = np.random.normal(60, 2, size=int(n_boundaries * 0.15))

# その他の低角粒界（5%）
low_angle = np.random.uniform(2, 15, size=int(n_boundaries * 0.05))

# 結合
all_misorientations = np.concatenate([
    random_misorientations, twin_misorientations, low_angle
])
all_misorientations = np.clip(all_misorientations, 0, 62.8)

# 統計解析
hagb_threshold = 15  # 大傾角粒界の閾値（度）
hagb_fraction = np.sum(all_misorientations >= hagb_threshold) / len(all_misorientations)
lagb_fraction = 1 - hagb_fraction

print("=== 方位差分布の統計 ===")
print(f"総粒界数: {len(all_misorientations)}")
print(f"大傾角粒界（≥15°）: {hagb_fraction*100:.1f}%")
print(f"小傾角粒界（<15°）: {lagb_fraction*100:.1f}%")
print(f"平均方位差: {np.mean(all_misorientations):.1f}°")
print(f"中央値: {np.median(all_misorientations):.1f}°")

# Σ3双晶の検出（60° ± 5°）
twin_boundaries = np.sum(np.abs(all_misorientations - 60) < 5)
print(f"Σ3双晶境界（60° ± 5°）: {twin_boundaries} 個 ({twin_boundaries/len(all_misorientations)*100:.1f}%)")

# プロット作成
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))

# ヒストグラム
ax1.hist(all_misorientations, bins=100, density=True, alpha=0.7,
         color='#f093fb', edgecolor='black', label='シミュレーションデータ')
ax1.plot(theta_range, mackenzie_pdf, 'r-', linewidth=2.5,
         label='Mackenzie分布（ランダム方位）')
ax1.axvline(hagb_threshold, color='blue', linestyle='--', linewidth=2,
            label=f'HAGB閾値 ({hagb_threshold}°)')
ax1.axvline(60, color='green', linestyle='--', linewidth=2,
            label='Σ3双晶 (60°)')

ax1.set_xlabel('方位差 (度)', fontsize=12, fontweight='bold')
ax1.set_ylabel('確率密度', fontsize=12, fontweight='bold')
ax1.set_title('方位差分布', fontsize=14, fontweight='bold')
ax1.legend(fontsize=10)
ax1.grid(alpha=0.3)
ax1.set_xlim(0, 65)

# 累積分布関数
sorted_misori = np.sort(all_misorientations)
cdf = np.arange(1, len(sorted_misori) + 1) / len(sorted_misori)

ax2.plot(sorted_misori, cdf * 100, linewidth=2.5, color='#f5576c')
ax2.axvline(hagb_threshold, color='blue', linestyle='--', linewidth=2)
ax2.axhline(hagb_fraction * 100, color='blue', linestyle=':', linewidth=1.5,
            label=f'HAGB割合: {hagb_fraction*100:.1f}%')

ax2.set_xlabel('方位差 (度)', fontsize=12, fontweight='bold')
ax2.set_ylabel('累積確率 (%)', fontsize=12, fontweight='bold')
ax2.set_title('累積方位差分布', fontsize=14, fontweight='bold')
ax2.legend(fontsize=10)
ax2.grid(alpha=0.3)
ax2.set_xlim(0, 65)
ax2.set_ylim(0, 100)

plt.tight_layout()
plt.show()

出力例:

=== 方位差分布の統計 ===
総粒界数: 5000
大傾角粒界（≥15°）: 93.2%
小傾角粒界（<15°）: 6.8%
平均方位差: 39.8°
中央値: 41.2°
Σ3双晶境界（60° ± 5°）: 748 個 (15.0%)

解説: ランダムな結晶方位を持つ材料では、方位差はMackenzie分布に従います。実際の材料では、Σ3双晶境界などの特殊粒界がピークとして現れます。

コード例4: CSL（対応格子点）粒界の分類

CSL理論に基づいて、粒界のΣ値を計算し分類します。

import numpy as np
import matplotlib.pyplot as plt

# 主要なCSL粒界とその理論的方位差
csl_boundaries = {
    'Σ1': {'angle': 0, 'axis': [1, 0, 0], 'description': '同一方位'},
    'Σ3': {'angle': 60.0, 'axis': [1, 1, 1], 'description': '双晶境界（最重要）'},
    'Σ5': {'angle': 36.9, 'axis': [1, 0, 0], 'description': '低エネルギー'},
    'Σ7': {'angle': 38.2, 'axis': [1, 1, 1], 'description': '低エネルギー'},
    'Σ9': {'angle': 38.9, 'axis': [1, 1, 0], 'description': '低エネルギー'},
    'Σ11': {'angle': 50.5, 'axis': [1, 1, 0], 'description': '中エネルギー'},
    'Σ13a': {'angle': 22.6, 'axis': [1, 0, 0], 'description': '中エネルギー'},
    'Σ13b': {'angle': 27.8, 'axis': [1, 1, 1], 'description': '中エネルギー'},
}

# 粒界エネルギーの推定（相対値、Σ1 = 1.0基準）
# 一般に、Σ値が小さいほどエネルギーが低い
csl_energies = {
    'Σ1': 1.0,
    'Σ3': 0.3,
    'Σ5': 0.5,
    'Σ7': 0.6,
    'Σ9': 0.65,
    'Σ11': 0.75,
    'Σ13a': 0.7,
    'Σ13b': 0.7,
    'ランダム（Σ>29）': 1.0
}

# Brandon基準：CSL粒界として認識される許容角度範囲
def brandon_criterion(sigma):
    """Brandon基準による許容角度ずれ

    Args:
        sigma: Σ値

    Returns:
        許容角度ずれ（度）
    """
    return 15 / np.sqrt(sigma)  # 立方晶系

# 表示
print("=== CSL粒界の分類 ===")
print(f"{'Σ値':<8} {'理論角度':<10} {'回転軸':<12} {'許容範囲':<10} {'相対エネルギー':<12} {'特徴'}")
print("-" * 85)

for name, props in csl_boundaries.items():
    sigma_num = int(name.replace('Σ', '').replace('a', '').replace('b', ''))
    tolerance = brandon_criterion(sigma_num)
    energy = csl_energies[name]

    axis_str = f"<{props['axis'][0]} {props['axis'][1]} {props['axis'][2]}>"
    print(f"{name:<8} {props['angle']:>6.1f}°   {axis_str:<12} "
          f"±{tolerance:.1f}°      {energy:.2f}           {props['description']}")

# CSL粒界とランダム粒界のエネルギー比較（棒グラフ）
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))

# CSL粒界のエネルギー比較
names = list(csl_energies.keys())
energies = list(csl_energies.values())
colors = ['#2ecc71' if e < 0.5 else '#f39c12' if e < 0.8 else '#e74c3c' for e in energies]

ax1.bar(names, energies, color=colors, edgecolor='black', linewidth=1.5, alpha=0.8)
ax1.set_ylabel('相対粒界エネルギー', fontsize=12, fontweight='bold')
ax1.set_title('CSL粒界の相対エネルギー', fontsize=14, fontweight='bold')
ax1.set_ylim(0, 1.2)
ax1.axhline(1.0, color='red', linestyle='--', linewidth=2, label='ランダム粒界基準')
ax1.legend()
ax1.grid(axis='y', alpha=0.3)
plt.setp(ax1.xaxis.get_majorticklabels(), rotation=45, ha='right')

# CSL粒界の方位差と許容範囲
csl_names = [k for k in csl_boundaries.keys()]
csl_angles = [v['angle'] for v in csl_boundaries.values()]
csl_sigma = [int(k.replace('Σ', '').replace('a', '').replace('b', ''))
             for k in csl_boundaries.keys()]
tolerances = [brandon_criterion(s) for s in csl_sigma]

ax2.errorbar(csl_angles, range(len(csl_angles)), xerr=tolerances,
             fmt='o', markersize=10, capsize=8, capthick=2,
             color='#f093fb', ecolor='#f5576c', linewidth=2,
             markeredgecolor='black', markeredgewidth=1.5)

for i, (angle, name) in enumerate(zip(csl_angles, csl_names)):
    ax2.text(angle + 3, i, name, fontsize=10, va='center', fontweight='bold')

ax2.set_xlabel('方位差 (度)', fontsize=12, fontweight='bold')
ax2.set_ylabel('CSL粒界', fontsize=12, fontweight='bold')
ax2.set_title('CSL粒界の方位差と許容範囲（Brandon基準）', fontsize=14, fontweight='bold')
ax2.set_yticks([])
ax2.grid(axis='x', alpha=0.3)
ax2.set_xlim(0, 65)

plt.tight_layout()
plt.show()

# Σ3双晶の重要性
print("\n=== Σ3双晶境界の特別な性質 ===")
print("- 最も低エネルギーな粒界（一般粒界の約30%）")
print("- 焼鈍双晶（annealing twin）として形成されやすい")
print("- 腐食抵抗が高い")
print("- 粒界偏析が少ない")
print("- 粒界脆化に対する抵抗性が高い")
print("- FCC金属（Cu, Ni, オーステナイト系ステンレス鋼）で頻繁に観察される")

出力例:

=== CSL粒界の分類 ===
Σ値      理論角度   回転軸       許容範囲   相対エネルギー  特徴
-------------------------------------------------------------------------------------
Σ1         0.0°   <1 0 0>      ±15.0°     1.00           同一方位
Σ3        60.0°   <1 1 1>      ±8.7°      0.30           双晶境界（最重要）
Σ5        36.9°   <1 0 0>      ±6.7°      0.50           低エネルギー
Σ7        38.2°   <1 1 1>      ±5.7°      0.60           低エネルギー
Σ9        38.9°   <1 1 0>      ±5.0°      0.65           低エネルギー
Σ11       50.5°   <1 1 0>      ±4.5°      0.75           中エネルギー
Σ13a      22.6°   <1 0 0>      ±4.2°      0.70           中エネルギー
Σ13b      27.8°   <1 1 1>      ±4.2°      0.70           中エネルギー

=== Σ3双晶境界の特別な性質 ===
- 最も低エネルギーな粒界（一般粒界の約30%）
- 焼鈍双晶（annealing twin）として形成されやすい
- 腐食抵抗が高い
- 粒界偏析が少ない
- 粒界脆化に対する抵抗性が高い
- FCC金属（Cu, Ni、オーステナイト系ステンレス鋼）で頻繁に観察される

解説: CSL理論は、特定の方位関係を持つ粒界が低エネルギーであることを説明します。特にΣ3双晶境界は材料特性に大きな影響を与え、粒界工学（Grain Boundary Engineering）で重視されます。

コード例5: 粒成長のシミュレーション（Monte Carlo法）

簡単なMonte Carlo法により、粒成長をシミュレートします。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
from IPython.display import HTML

# 2次元格子でのMonte Carlo粒成長シミュレーション
class GrainGrowthSimulator:
    def __init__(self, size=100, n_grains=50):
        """
        Args:
            size: 格子サイズ（size x size）
            n_grains: 初期結晶粒数
        """
        self.size = size
        self.n_grains = n_grains
        self.grid = np.zeros((size, size), dtype=int)
        self._initialize_grains()

    def _initialize_grains(self):
        """ランダムな位置に結晶粒の核を配置"""
        np.random.seed(42)
        for grain_id in range(1, self.n_grains + 1):
            x = np.random.randint(0, self.size)
            y = np.random.randint(0, self.size)
            self.grid[x, y] = grain_id

    def monte_carlo_step(self, temperature=1.0):
        """Monte Carlo法による1ステップの粒成長

        Args:
            temperature: 系の温度（高いほど確率的変化が大きい）
        """
        # ランダムなサイト選択
        for _ in range(self.size * self.size):
            x = np.random.randint(0, self.size)
            y = np.random.randint(0, self.size)

            # 現在の状態
            current_grain = self.grid[x, y]

            # 隣接サイトからランダムに1つ選択
            neighbors = []
            for dx, dy in [(1, 0), (-1, 0), (0, 1), (0, -1)]:
                nx, ny = (x + dx) % self.size, (y + dy) % self.size
                neighbors.append(self.grid[nx, ny])

            new_grain = np.random.choice(neighbors)

            # エネルギー計算（異なる粒の隣接数）
            def count_mismatches(grid, x, y):
                center = grid[x, y]
                count = 0
                for dx, dy in [(1, 0), (-1, 0), (0, 1), (0, -1)]:
                    nx, ny = (x + dx) % self.size, (y + dy) % self.size
                    if grid[nx, ny] != center and grid[nx, ny] != 0:
                        count += 1
                return count

            # 変更前後のエネルギー
            old_grid = self.grid.copy()
            energy_before = count_mismatches(old_grid, x, y)

            self.grid[x, y] = new_grain
            energy_after = count_mismatches(self.grid, x, y)

            delta_energy = energy_after - energy_before

            # Metropolis基準
            if delta_energy > 0:
                probability = np.exp(-delta_energy / temperature)
                if np.random.random() > probability:
                    self.grid[x, y] = current_grain  # 変更を元に戻す

    def count_grains(self):
        """現在の結晶粒数をカウント"""
        return len(np.unique(self.grid)) - 1  # 0は除外

    def get_average_grain_size(self):
        """平均粒径を計算"""
        n_grains = self.count_grains()
        if n_grains == 0:
            return 0
        return self.size * self.size / n_grains

# シミュレーション実行
print("=== 粒成長シミュレーション開始 ===")
sim = GrainGrowthSimulator(size=100, n_grains=50)

# 初期状態
initial_grains = sim.count_grains()
print(f"初期結晶粒数: {initial_grains}")
print(f"初期平均粒径: {sim.get_average_grain_size():.1f} (格子単位)")

# 時間発展
n_steps = 1000
step_interval = 100
snapshots = []
grain_counts = []
average_sizes = []
times = []

for step in range(0, n_steps + 1, step_interval):
    if step > 0:
        for _ in range(step_interval):
            sim.monte_carlo_step(temperature=0.5)

    snapshots.append(sim.grid.copy())
    grain_counts.append(sim.count_grains())
    average_sizes.append(sim.get_average_grain_size())
    times.append(step)

    if step % 200 == 0:
        print(f"Step {step:4d}: {grain_counts[-1]:3d} 粒, "
              f"平均粒径 {average_sizes[-1]:5.1f}")

# 組織の時間発展を可視化
fig, axes = plt.subplots(2, 3, figsize=(15, 10))
axes = axes.flatten()

for idx, (ax, snapshot, time) in enumerate(zip(axes[:5], snapshots[:5], times[:5])):
    # ランダムな色マップ生成
    np.random.seed(42)
    n_colors = snapshot.max() + 1
    colors = plt.cm.rainbow(np.linspace(0, 1, n_colors))
    np.random.shuffle(colors)
    cmap = plt.matplotlib.colors.ListedColormap(colors)

    im = ax.imshow(snapshot, cmap=cmap, interpolation='nearest')
    ax.set_title(f'Step {time}: {grain_counts[idx]} grains',
                 fontsize=12, fontweight='bold')
    ax.axis('off')

# 粒数と平均粒径の時間発展グラフ
ax = axes[5]
ax.plot(times, grain_counts, 'o-', linewidth=2, markersize=6,
        color='#f093fb', label='結晶粒数')
ax.set_xlabel('Monte Carlo Steps', fontsize=11, fontweight='bold')
ax.set_ylabel('結晶粒数', fontsize=11, fontweight='bold', color='#f093fb')
ax.tick_params(axis='y', labelcolor='#f093fb')
ax.grid(alpha=0.3)

ax2 = ax.twinx()
ax2.plot(times, average_sizes, 's-', linewidth=2, markersize=6,
         color='#f5576c', label='平均粒径')
ax2.set_ylabel('平均粒径（格子単位）', fontsize=11, fontweight='bold', color='#f5576c')
ax2.tick_params(axis='y', labelcolor='#f5576c')

ax.set_title('粒数と粒径の時間発展', fontsize=12, fontweight='bold')

plt.tight_layout()
plt.show()

print(f"\n最終結晶粒数: {grain_counts[-1]}")
print(f"最終平均粒径: {average_sizes[-1]:.1f} (格子単位)")
print(f"粒径の増加率: {average_sizes[-1] / average_sizes[0]:.2f}倍")

出力例:

=== 粒成長シミュレーション開始 ===
初期結晶粒数: 50
初期平均粒径: 200.0 (格子単位)
Step    0:  50 粒, 平均粒径 200.0
Step  200:  42 粒, 平均粒径 238.1
Step  400:  36 粒, 平均粒径 277.8
Step  600:  31 粒, 平均粒径 322.6
Step  800:  27 粒, 平均粒径 370.4
Step 1000:  24 粒, 平均粒径 416.7

最終結晶粒数: 24
最終平均粒径: 416.7 (格子単位)
粒径の増加率: 2.08倍

解説: Monte Carlo法により、熱処理中の粒成長をシミュレートできます。時間とともに結晶粒数が減少し、平均粒径が増加する様子が観察できます。実際の粒成長も同様の傾向を示します。

コード例6: 集合組織（Texture）の可視化 - 極点図

EBSDデータから得られる集合組織を極点図（Pole Figure）で可視化します。

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# ランダム方位と集合組織を持つ方位の生成
def generate_orientations(n_random=500, n_texture=500, texture_center=(0, 0, 1)):
    """結晶方位データの生成

    Args:
        n_random: ランダム方位の数
        n_texture: 集合組織を持つ方位の数
        texture_center: 集合組織の中心方向（単位ベクトル）

    Returns:
        方位データ（(001)極の方向ベクトル）
    """
    np.random.seed(42)

    # ランダム方位（球面上に一様分布）
    phi_random = np.random.uniform(0, 2*np.pi, n_random)
    theta_random = np.arccos(np.random.uniform(-1, 1, n_random))

    x_random = np.sin(theta_random) * np.cos(phi_random)
    y_random = np.sin(theta_random) * np.sin(phi_random)
    z_random = np.cos(theta_random)

    # 集合組織（ガウス分布で特定方向に集中）
    # texture_centerを中心にばらつく
    center = np.array(texture_center)

    # 中心からのずれ
    spread = 0.3  # 集合組織の鋭さ（小さいほど鋭い）
    perturbations = np.random.normal(0, spread, (n_texture, 3))

    orientations_texture = center + perturbations
    # 正規化（単位球面上に投影）
    norms = np.linalg.norm(orientations_texture, axis=1, keepdims=True)
    orientations_texture = orientations_texture / norms

    x_texture = orientations_texture[:, 0]
    y_texture = orientations_texture[:, 1]
    z_texture = orientations_texture[:, 2]

    # 統合
    x_all = np.concatenate([x_random, x_texture])
    y_all = np.concatenate([y_random, y_texture])
    z_all = np.concatenate([z_random, z_texture])

    return x_all, y_all, z_all

# 方位データ生成
x, y, z = generate_orientations(n_random=800, n_texture=1200,
                                 texture_center=(0, 0, 1))

# 極点図作成（等角投影）
fig = plt.figure(figsize=(16, 6))

# (001)極点図
ax1 = fig.add_subplot(131)
# 等角投影: (x, y, z) -> (X, Y) where z points out of page
# 投影: X = x/(1+z), Y = y/(1+z)
mask_upper = z > -0.1  # 上半球のみ表示
X = x[mask_upper] / (1 + z[mask_upper])
Y = y[mask_upper] / (1 + z[mask_upper])

# 密度プロット（ヒートマップ）
heatmap, xedges, yedges = np.histogram2d(X, Y, bins=50,
                                          range=[[-1.2, 1.2], [-1.2, 1.2]])
extent = [xedges[0], xedges[-1], yedges[0], yedges[-1]]

im1 = ax1.imshow(heatmap.T, extent=extent, origin='lower',
                 cmap='hot', interpolation='gaussian')
ax1.set_title('(001) Pole Figure - Density Plot', fontsize=13, fontweight='bold')
ax1.set_xlabel('X', fontsize=11)
ax1.set_ylabel('Y', fontsize=11)
ax1.set_aspect('equal')
ax1.grid(alpha=0.3)

# 参照円（投影範囲）
circle = plt.Circle((0, 0), 1.0, fill=False, color='black', linewidth=2)
ax1.add_patch(circle)
plt.colorbar(im1, ax=ax1, label='方位密度')

# 散布図表示
ax2 = fig.add_subplot(132)
ax2.scatter(X, Y, s=5, alpha=0.5, color='#f093fb', edgecolors='none')
ax2.set_title('(001) Pole Figure - Scatter Plot', fontsize=13, fontweight='bold')
ax2.set_xlabel('X', fontsize=11)
ax2.set_ylabel('Y', fontsize=11)
ax2.set_aspect('equal')
ax2.grid(alpha=0.3)
ax2.set_xlim(-1.2, 1.2)
ax2.set_ylim(-1.2, 1.2)

circle2 = plt.Circle((0, 0), 1.0, fill=False, color='black', linewidth=2)
ax2.add_patch(circle2)

# 3D表示（参考）
ax3 = fig.add_subplot(133, projection='3d')
ax3.scatter(x, y, z, s=10, alpha=0.3, c=z, cmap='viridis')
ax3.set_title('3D Orientation Distribution', fontsize=13, fontweight='bold')
ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')
ax3.set_box_aspect([1, 1, 1])

plt.tight_layout()
plt.show()

# 集合組織の定量評価
print("=== 集合組織の統計 ===")
print(f"総方位数: {len(x)}")

# Z方向（(001)）への集中度
z_threshold = 0.8
texture_fraction = np.sum(z > z_threshold) / len(z)
print(f"(001)方位に近い結晶粒（z > {z_threshold}）: {texture_fraction*100:.1f}%")

# ランダム分布からのずれ（χ²検定的な指標）
# 理想的にはz座標が-1から1に一様分布
z_hist, z_edges = np.histogram(z, bins=20, range=(-1, 1))
uniform_expected = len(z) / 20
chi_squared = np.sum((z_hist - uniform_expected)**2 / uniform_expected)
print(f"一様分布からのずれ（χ²指標）: {chi_squared:.1f}")
print(f"  → χ² > 50 で強い集合組織あり")

# 方位分散（標準偏差）
print(f"\n方位の分散:")
print(f"  X方向: {np.std(x):.3f}")
print(f"  Y方向: {np.std(y):.3f}")
print(f"  Z方向: {np.std(z):.3f}  ← (001)に集中しているため小さい")

出力例:

=== 集合組織の統計 ===
総方位数: 2000
(001)方位に近い結晶粒（z > 0.8）: 38.5%
一様分布からのずれ（χ²指標）: 285.4
  → χ² > 50 で強い集合組織あり

方位の分散:
  X方向: 0.497
  Y方向: 0.502
  Z方向: 0.387  ← (001)に集中しているため小さい

解説: 極点図（Pole Figure）は、特定の結晶方位の分布を可視化する標準的な手法です。圧延や押出などの加工により、材料は特定方向に配向した集合組織を持つようになり、異方性が生じます。

コード例7: 組織-特性相関の統計解析

粒径、粒界特性、集合組織などの組織パラメータと機械的性質の相関を解析します。

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
import pandas as pd

# 実験データのシミュレーション（材料試験の結果を模擬）
np.random.seed(42)
n_samples = 50

# 独立変数（組織パラメータ）
grain_size = np.random.lognormal(np.log(10), 0.5, n_samples)  # μm
hagb_fraction = np.random.uniform(0.7, 0.95, n_samples)  # 大傾角粒界の割合
texture_index = np.random.uniform(1.0, 5.0, n_samples)  # 集合組織の強さ（1=ランダム）

# Hall-Petch関係 + ノイズ
sigma_0 = 50  # MPa
k_y = 0.60    # MPa·μm^(1/2)
yield_strength = (sigma_0 + k_y / np.sqrt(grain_size) +
                  np.random.normal(0, 5, n_samples))

# 粒界特性の影響（大傾角粒界が多いほど強度上昇）
yield_strength += 30 * (hagb_fraction - 0.8)

# 集合組織の影響（異方性、ここでは簡略化）
yield_strength += 5 * (texture_index - 3.0)

# 延性（粒径が大きいほど高い、強度とトレードオフ）
elongation = (15 + 10 * np.sqrt(grain_size / 10) +
              np.random.normal(0, 2, n_samples))

# DataFrameに整理
df = pd.DataFrame({
    'grain_size': grain_size,
    'hagb_fraction': hagb_fraction,
    'texture_index': texture_index,
    'yield_strength': yield_strength,
    'elongation': elongation
})

# 統計サマリー
print("=== 組織パラメータと機械的性質の統計 ===")
print(df.describe())

# 相関行列
print("\n=== 相関行列 ===")
correlation_matrix = df.corr()
print(correlation_matrix['yield_strength'].sort_values(ascending=False))

# プロット作成
fig, axes = plt.subplots(2, 2, figsize=(14, 12))

# (1) 粒径 vs 降伏強度（Hall-Petch）
ax = axes[0, 0]
ax.scatter(grain_size, yield_strength, s=80, alpha=0.6,
           color='#f093fb', edgecolors='black', linewidth=1.5)

# 回帰分析（1/sqrt(d)に対して）
inv_sqrt_d = 1 / np.sqrt(grain_size)
slope, intercept, r_value, p_value, std_err = stats.linregress(
    inv_sqrt_d, yield_strength)

# フィッティング曲線
d_fit = np.linspace(grain_size.min(), grain_size.max(), 100)
sigma_fit = slope / np.sqrt(d_fit) + intercept
ax.plot(d_fit, sigma_fit, 'r-', linewidth=2.5,
        label=f'Fit: σ₀={intercept:.1f}, k_y={slope:.2f}')

ax.set_xlabel('平均粒径 (μm)', fontsize=12, fontweight='bold')
ax.set_ylabel('降伏強度 (MPa)', fontsize=12, fontweight='bold')
ax.set_title(f'Hall-Petch関係 (R² = {r_value**2:.3f})',
             fontsize=13, fontweight='bold')
ax.legend(fontsize=10)
ax.grid(alpha=0.3)

# (2) 大傾角粒界割合 vs 降伏強度
ax = axes[0, 1]
ax.scatter(hagb_fraction * 100, yield_strength, s=80, alpha=0.6,
           color='#f5576c', edgecolors='black', linewidth=1.5)

# 線形回帰
slope2, intercept2, r_value2, p_value2, std_err2 = stats.linregress(
    hagb_fraction, yield_strength)
hagb_fit = np.linspace(hagb_fraction.min(), hagb_fraction.max(), 100)
sigma_fit2 = slope2 * hagb_fit + intercept2
ax.plot(hagb_fit * 100, sigma_fit2, 'b-', linewidth=2.5,
        label=f'R² = {r_value2**2:.3f}, p = {p_value2:.4f}')

ax.set_xlabel('大傾角粒界割合 (%)', fontsize=12, fontweight='bold')
ax.set_ylabel('降伏強度 (MPa)', fontsize=12, fontweight='bold')
ax.set_title('粒界特性と強度の相関', fontsize=13, fontweight='bold')
ax.legend(fontsize=10)
ax.grid(alpha=0.3)

# (3) 粒径 vs 延性
ax = axes[1, 0]
ax.scatter(grain_size, elongation, s=80, alpha=0.6,
           color='#3498db', edgecolors='black', linewidth=1.5)

# 線形回帰
slope3, intercept3, r_value3, p_value3, std_err3 = stats.linregress(
    grain_size, elongation)
elong_fit = slope3 * d_fit + intercept3
ax.plot(d_fit, elong_fit, 'g-', linewidth=2.5,
        label=f'R² = {r_value3**2:.3f}')

ax.set_xlabel('平均粒径 (μm)', fontsize=12, fontweight='bold')
ax.set_ylabel('伸び (%)', fontsize=12, fontweight='bold')
ax.set_title('粒径と延性の関係', fontsize=13, fontweight='bold')
ax.legend(fontsize=10)
ax.grid(alpha=0.3)

# (4) 強度-延性バランス
ax = axes[1, 1]
scatter = ax.scatter(yield_strength, elongation, s=80, alpha=0.6,
                     c=grain_size, cmap='viridis',
                     edgecolors='black', linewidth=1.5)
cbar = plt.colorbar(scatter, ax=ax, label='粒径 (μm)')

ax.set_xlabel('降伏強度 (MPa)', fontsize=12, fontweight='bold')
ax.set_ylabel('伸び (%)', fontsize=12, fontweight='bold')
ax.set_title('強度-延性トレードオフ', fontsize=13, fontweight='bold')
ax.grid(alpha=0.3)

# パレートフロント（理想的な材料）
# 強度と延性の積が大きい上位10サンプル
df['strength_ductility_product'] = df['yield_strength'] * df['elongation']
top_samples = df.nlargest(10, 'strength_ductility_product')
ax.scatter(top_samples['yield_strength'], top_samples['elongation'],
           s=150, marker='*', color='red', edgecolors='black',
           linewidth=2, label='Top 10材料', zorder=5)
ax.legend(fontsize=10)

plt.tight_layout()
plt.show()

# 多変量回帰（降伏強度を予測）
print("\n=== 多変量線形回帰（降伏強度の予測）===")
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_absolute_error

X = df[['grain_size', 'hagb_fraction', 'texture_index']].values
# 粒径はHall-Petch形式に変換
X[:, 0] = 1 / np.sqrt(X[:, 0])
y = df['yield_strength'].values

model = LinearRegression()
model.fit(X, y)
y_pred = model.predict(X)

print(f"R² スコア: {r2_score(y, y_pred):.4f}")
print(f"平均絶対誤差: {mean_absolute_error(y, y_pred):.2f} MPa")
print(f"\n回帰係数:")
print(f"  切片（σ₀相当）: {model.intercept_:.2f} MPa")
print(f"  1/√d の係数（k_y相当）: {model.coef_[0]:.2f} MPa·μm^(1/2)")
print(f"  HAGB割合の係数: {model.coef_[1]:.2f} MPa")
print(f"  集合組織の係数: {model.coef_[2]:.2f} MPa")

print("\n=== 材料設計の指針 ===")
print("高強度を得るには:")
print("  1. 細粒化（d < 5 μm）")
print("  2. 大傾角粒界割合を高める（> 90%）")
print("\n高延性を得るには:")
print("  1. 粗大粒（d > 15 μm）")
print("  2. 集合組織の制御")

出力例:

=== 多変量線形回帰（降伏強度の予測）===
R² スコア: 0.9134
平均絶対誤差: 3.42 MPa

回帰係数:
  切片（σ₀相当）: 26.78 MPa
  1/√d の係数（k_y相当）: 0.58 MPa·μm^(1/2)
  HAGB割合の係数: 30.15 MPa
  集合組織の係数: 5.03 MPa

=== 材料設計の指針 ===
高強度を得るには:
  1. 細粒化（d < 5 μm）
  2. 大傾角粒界割合を高める（> 90%）

高延性を得るには:
  1. 粗大粒（d > 15 μm）
  2. 集合組織の制御

解説: 組織パラメータ（粒径、粒界特性、集合組織）と機械的性質の相関を統計的に解析することで、材料設計の指針が得られます。多変量回帰により、複数の組織因子を考慮した特性予測モデルを構築できます。

1.6 本章のまとめ

学んだこと

1. 結晶粒と粒界の基本概念
   • 多結晶材料は結晶方位が異なる結晶粒の集合体
   • 粒界は高エネルギー状態で、拡散や転位運動に影響
   • 粒径測定法：線分法、面積法、ASTM粒度番号
2. 粒界の分類
   • 方位差による分類：小傾角粒界（<15°）、大傾角粒界（≥15°）
   • CSL理論：特定の方位関係を持つ粒界は低エネルギー（Σ3双晶など）
   • 粒界エネルギーが粒成長の駆動力
3. Hall-Petch関係
   • $\sigma_y = \sigma_0 + k_y / \sqrt{d}$：粒径が小さいほど強度が高い
   • 細粒化による強化は転位の運動阻害が原因
   • ナノ結晶領域では逆Hall-Petch効果が現れることがある
4. EBSD（電子後方散乱回折）
   • 結晶方位マップ、粒界分布、集合組織の測定が可能
   • 方位差15°が大傾角/小傾角粒界の境界
   • 極点図により集合組織を可視化
5. Pythonによる組織解析
   • 対数正規分布による粒径分布のモデリング
   • Hall-Petch関係の可視化と強度予測
   • Monte Carlo法による粒成長シミュレーション
   • 組織-特性相関の統計解析と回帰モデル構築

重要なポイント

• 結晶粒径は材料の機械的性質を決定する最重要パラメータの1つ
• 細粒化は強度向上、粗大化は延性向上につながる（強度-延性トレードオフ）
• 粒界工学（Grain Boundary Engineering）：特殊粒界（低Σ値）の割合を増やして特性改善
• 集合組織により材料は異方性を持つ（圧延方向で性質が異なる）
• 組織パラメータの定量化と統計解析がMI（Materials Informatics）の基盤

次の章へ

第2章では、相変態の基礎を学びます：

• 相図の読み方と活用
• 拡散型変態と無拡散型変態のメカニズム
• TTT図・CCT図による変態速度の理解
• マルテンサイト変態とベイナイト変態
• CALPHAD法による状態図計算の基礎
• Pythonによる相変態シミュレーション

演習問題

Easy（基礎確認）

Medium（応用）

Hard（発展）