利用深度神经网络来估计从纳米冲压硬度到维克尔硬度的硬度
Junbo Niu1, Bin Miao1, Jiaxu Guo1
1School of Material Science & Engineering, Harbin Institute of Technology, Harbin 150001, China.
Materials (Basel, Switzerland)
|January 11, 2024
概括
深度神经网络准确地预测了钢的维克尔硬度 (HV). 多层感知器和长短期记忆模型在材料表征方面表现出卓越的性能.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 机器学习应用 机器学习应用
背景情况:
- 准确的硬度预测对于材料表征和工程至关重要.
- 对于薄膜和复杂的微观结构,传统的硬度测试方法可能是破坏性的或不切实际的.
- 深度神经网络 (DNN) 为非破坏性和精确的硬度评估提供了潜力.
研究的目的:
- 综合分析深度神经网络 (DNN) 模型,用于预测化和碳化M50NiL钢的维克尔硬度 (HV).
- 评估多层感知器 (MLP),卷积神经网络 (CNN),长短期记忆 (LSTM) 和变压器架构的性能.
- 验证纳米沉积数据作为HV硬度在具有挑战性的材料区域的直接测量.
主要方法:
- 对M50NiL钢样品的维克尔硬度 (HV) 和纳米痕数据采集的实验性确定.
- 开发和培训四种不同的DNN架构:MLP,CNN,LSTM和Transformer.
- 对模型预测准确度,效率和精度进行比较分析.
主要成果:
- 对于维克尔硬度,MLP和LSTM模型表现出卓越的预测准确性和效率.
- 该MLP模型表现出异常的代效率和预测精度.
- 纳米沉积被证实是在薄膜和梯度可变区域中有效直接测量HV硬度的方法.
结论:
- 经过验证的DNN模型为各种钢类型的硬度评估提供了一种多功能方法.
- 该研究增强了薄膜和具有复杂微观结构的材料的材料表征能力.
- 这项研究通过精确的硬度预测来支持先进的材料工程应用.
