Predicción de la cinética de crecimiento de grano en aceros mediante aprendizaje automático y XAI para propiedades...

Área de la Ciencia:

• Ciencia de los Materiales
• Metalurgia
• Ciencia de Materiales Computacional

Sus antecedentes:

• La optimización de las propiedades mecánicas del acero requiere la comprensión de la cinética de crecimiento de grano durante el procesamiento termomecánico.
• Los modelos tradicionales luchan con las interacciones complejas entre la composición y los parámetros de procesamiento.

Objetivo del estudio:

• Desarrollar un marco novedoso de aprendizaje automático (ML) para predecir el comportamiento del crecimiento de grano austenítico.
• Utilizar la composición química y las condiciones del proceso para predicciones precisas.

Principales métodos:

• Se utilizó un conjunto de datos completo de 1039 muestras validadas experimentalmente.
• Se empleó el algoritmo XGBoost, logrando un alto R2 después de la optimización de hiperparámetros.
• La selección de características y los análisis SHAP identificaron los parámetros clave que influyen en el crecimiento del grano.

Principales resultados:

• El modelo XGBoost logró un R2 de 0.9728, demostrando una capacidad predictiva excepcional.
• La temperatura, el tamaño de grano inicial y el tiempo de mantenimiento se identificaron como factores dominantes.
• La validación experimental en acero inoxidable 316L mostró una fuerte concordancia entre los tamaños de grano predichos y medidos.

Conclusiones:

• Este estudio presenta el primer enfoque integrado de ML y experimental para predecir la cinética de crecimiento de grano de acero.
• El marco desarrollado ofrece una herramienta poderosa para el diseño de aleaciones y la optimización de procesos.
• El trabajo futuro ampliará el marco para incluir más variables y sistemas de aleaciones.