使用机器学习技术预测UHMWPE/SiC聚合物复合材料的tribological特性
Abdul Jawad Mohammed1, Anwaruddin Siddiqui Mohammed2, Abdul Samad Mohammed3,4
1Department of Information and Computer Science, King Fahd University of Petroleum and Minerals, Dhahran 31261, Saudi Arabia.
Polymers
|October 28, 2023
概括
机器学习模型可以预测聚合物复合物 Tribological 属性. 支持矢量机 (SVM) 显示出卓越的准确性,减少了对超高分子量聚乙烯复合材料进行广泛物理测试的需求.
科学领域:
- 材料科学 材料科学 材料科学
- 部落学 (tribology) 是一个学科.
- 计算科学 计算科学
背景情况:
- 聚合物复合材料对于苛刻的 Tribological 应用至关重要.
- 预测tribological属性往往需要广泛的物理实验.
- 部落信息学和机器学习 (ML) 为材料表征提供了先进的工具.
研究的目的:
- 评估五种ML技术的性能,以预测UHMWPE/SiC复合材料的三元学性质.
- 确定最准确的ML模型来估计特定磨损率 (SWR) 和摩擦系数 (COF).
主要方法:
- 研究了五种ML技术:支持矢量机器 (SVM),决策树 (DT),随机森林 (RF),K-最近邻居 (KNN) 和人工神经网络 (ANN).
- 使用的输入参数:施加的压力,保持时间和SiC度.
- 使用R平方 (R2),平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估模型性能.
主要成果:
- 支持矢量机 (SVM) 的准确度最高,COF的R2值为0.9999和SWR的R2值为0.9998.
- SVM实现了最低的错误率,RMSE和MAE值为COF和SWR的10−4级.
- SVM模型显示COF的预测准确率为99.99%,SWR的预测准确率为99.98%.
结论:
- 支持矢量机 (SVM) 是最可靠的ML技术,用于预测UHMWPE/SiC复合材料的三元学性质.
- 准确的ML模型可以显著降低材料开发中与物理实验相关的成本和时间.
- 这项研究强调了 triboinformatics 的潜力,以加速先进的聚合物复合材料的设计和优化.
