机器学习模型的比较分析,用于预测生物基细胞复合三明治结构的机械行为

科学领域:

• 材料科学 材料科学 材料科学
• 计算力学 计算力学 计算力学

背景情况:

• 对可持续材料的日益增长的需求推动了对生物复合材料的兴趣.
• 机器学习 (ML) 为高效地理解生物复合材料的机械行为提供了潜力.

研究的目的:

• 在压缩下研究生物复合材料三明治结构的机械行为.
• 评估ML算法的有效性,以预测基于几何变化的承载能力.

主要方法:

• 在准静态平面外压缩下对生物复合材料三明治结构进行了实验性机械测试.
• 评估了三个ML模型:通用回归神经网络 (GRNN),极端学习机器 (ELM) 和支持向量回归 (SVR).
• 模型性能使用R平方 (R2),平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 来评估.

主要成果:

• GRNN模型表现出最高的预测准确度,在训练和测试数据集上表现出色 (例如,训练的R2为0.9999,测试的R2为0.9993).
• ELM表现中等,而SVR表现最低的准确性,表明有效性有限.
• GRNN成功地捕获了非线性负载位移行为,包括关键峰值和波动,具有强大的概括能力.

结论:

• 先进的ML模型,特别是GRNN,可以准确地预测生物复合材料的机械行为.
• 这种预测能力使可持续材料的开发和优化更有效,更具成本效益.
• 该研究强调了机器学习在材料科学中越来越有用,以了解复杂的机械反应.