基于机器学习的超硬高热性化物涂层的设计
Xiangyu Zhang1, Binyuan Jia2, Zhong Zeng1
1School of Power and Mechanical Engineering, Wuhan University, Wuhan 430072, China.
ACS applied materials & interfaces
|July 5, 2024
概括
通过预测硬度,机器学习加速了超硬高化 (HEN) 涂料的发现. 这种以数据为导向的方法成功设计和制备了具有高硬度的新型HEN涂层,其性能优于传统方法.
科学领域:
- 材料科学 材料科学 材料科学
- 表面工程是什么?表面工程是什么?
- 计算材料科学科学 计算材料科学
背景情况:
- 传统的试错方法在发现新的高化 (HEN) 涂层方面是无效的,因为构成空间很大.
- 加速开发高性能HEN涂层对于先进的保护应用至关重要.
研究的目的:
- 使用数据驱动的机器学习 (ML) 方法设计和制备超硬的HEN涂层.
- 建立一个强大的ML模型来预测HEN涂层硬度和指导组合优化.
主要方法:
- 创建了HEN涂料的综合数据库,包括成分,物理描述符和技术参数.
- 使用特征工程来减少维度,并确定影响硬度的关键因素.
- 评估了各种ML算法和数据子集,以确定最佳预测模型,使用根平均平方误差 (RMSE) 和决策系数 (R2).
主要成果:
- 最好的ML模型被用于探索虚拟空间,识别有前途的超硬HEN涂层组合.
- 四种新制备的HEN涂层实现了超硬的状态,平均预测误差为7.83%.
- 新型AlCrNbSiTiN涂层表现出纳米晶形纳米复合材料结构,达到45.77 GPa的硬度.
结论:
- 机器学习有效指导高性能保护性HEN涂料的设计和组合优化.
- 与传统方法相比,数据驱动的方法显著加快了发现过程.
- 开发的ML模型显示了HEN涂层硬度的高预测精度.
