实验研究和机器学习模型来预测合金板材的可塑性.
Balaji Viswanadhapalli1,2, Bupesh Raja V K2, Krishna Chythanya Nagaraju3
1Mechanical Engineering, Gokaraju Rangaraju Institute of Engineering and Technology, Hyderabad, TELANGANA, 500090, India.
F1000Research
|August 28, 2023
概括
机器学习模型准确地预测合金的可塑性,减少了对广泛物理实验的需求. 随机森林在预测AZ31-H24合金板的可塑性方面取得了96%的准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 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:
- AZ31-H24合金板为汽车和航空航天应用提供轻量级,中等强度的材料.
- 通过实验性拉伸成形试验来评估材料的可成形性对于这些行业至关重要.
研究的目的:
- 探索和开发机器学习模型来预测合金板的可塑性.
- 解决最近关于机器学习应用在合金可塑性预测方面的文献上的差距.
主要方法:
- 在不同温度 (24°C,250°C,350°C) 和应变速率 (0.01 mm/s,0.001 mm/s) 的矩形AZ31-H24合金样本上使用半球穿孔进行了纳卡齐马的测试.
- 开发并比较了三种机器学习模型:随机森林,极端梯度提升和多重线性回归来预测材料可塑性.
主要成果:
- 随机森林模型显示,合金可塑性具有96%的高预测准确度.
- 该研究成功地建立了基于实验数据的材料可塑性的预测模型.
结论:
- 机器学习显著降低了在材料可塑性研究中对物理实验的要求.
- 开发的模型提供了一个计算高效的方法来理解和预测合金的可塑性.


