基于实验和机器学习的聚四乙烯复合材料的tribological属性的预测
Yingnan Yan1, Jiliang Du1, Shiwei Ren2
1College of Information Engineering, Lanzhou Petrochemical University of Vocational Technology, Lanzhou 730060, China.
Polymers
|February 10, 2024
概括
机器学习模型准确地预测了聚四乙烯 (PTFE) 复合材料的 Tribological 特性. 梯度增强回归 (GBR) 显示出有效性,负载和速度显著影响摩擦和磨损.
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.
- 机器学习 机器学习
背景情况:
- 由于复杂的工作条件,预测聚四乙烯 (PTFE) 复合材料的 Tribological 特性是具有挑战性的.
- 了解摩擦和磨损机制对于材料性能至关重要.
研究的目的:
- 使用机器学习来预测PTFE复合材料的tribological特性.
- 为了确定摩擦和磨损参数之间的相关性.
- 确定影响部落学行为的关键因素.
主要方法:
- 制备PTFE复合材料的方法.
- 在不同温度,速度和负载下对tribological属性的实验研究.
- 应用随机森林回归 (RFR),梯度增强回归 (GBR) 和极端梯度增强 (XGBoost) 模型.
主要成果:
- 摩擦系数和磨损率随着速度的增加而下降.
- GBR 模型显示了对 Tribological 属性的高预测准确性.
- 荷载和速度被确定为摩擦和磨损预测最有影响的因素.
结论:
- 机器学习,特别是GBR,对于预测PTFE复合材料的 Tribological 特性是有效的.
- 速度通过减少摩擦和磨损,对PTFE复合材料的三元学有积极的影响.
- 负载和速度是决定PTFE复合材料三元学性能的关键参数.


