关于利用基于非参数内核的概率机器学习在高合金的大组成空间上进行最佳纳米级弹道学
1Amrita School of Artificial Intelligence, Amrita Vishwa Vidyapeetham, Coimbatore, India.
Scientific reports
|July 22, 2024
概括
机器学习和分子模拟优化高合金 (HEA) 组成的弹道性能. 这种方法有效地识别出最佳的元素混合物,平衡能量消耗,以最小的弹子穿透率和剩余速度.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算材料科学科学 计算材料科学
- 机械工程 机械工程
背景情况:
- 高合金 (HEAs) 具有庞大的组成空间,使得理解原子组成对机械性质的影响变得复杂.
- 在弹道条件下预测HEA行为需要计算密集的模拟,这给传统材料设计带来了挑战.
研究的目的:
- 开发一个高效的计算框架,以优化弹道冲击下的HEA组成.
- 利用机器学习 (ML) 和分子模拟来预测最佳的HEA成分.
- 为了应对多目标优化挑战,平衡动能消耗与最小透和剩余速度.
主要方法:
- 采用非参数的基于内核的概率计算映射,使用贝叶斯的高斯的方法.
- 集成机器学习 (ML) 与分子级模拟来分析HEA行为.
- 利用多目标遗传算法来识别关键元素组成以提高性能.
主要成果:
- 确定较低的 (Ni) 和较高的 (Al) 度可增强动能消散并降低剩余速度.
- 观察到一个权衡:增加的能量消耗与更高的弹子穿透深度相关.
- 基于ML的框架成功地确定了组合物,这些组合物同时可以提高能量消耗,同时最大限度地降低透和剩余速度.
结论:
- 拟议的数据驱动,ML集成的计算框架有效地将HEA组成映射到弹道性能.
- 贝叶斯方法在处理小数据集和为模拟提供不确定性量化方面具有优势.
- 这种通用框架可以适应优化其他HEAs的多样性,冲突的多物理性质要求.
