基于机器学习方法,预测玻璃填充PTFE复合材料的磨损率

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:

• 磨损是一种复杂的现象,受到负载,速度和温度等多个参数的影响.
• 从基本物理中预测磨损率是具有挑战性的,需要数据驱动的方法.
• 机器学习 (ML) 为理解和预测 tribological 应用中的材料行为提供了一个强大的工具.

研究的目的:

• 应用ML算法来预测玻璃填充聚四乙烯 (PTFE) 复合材料的特定磨损率.
• 评估线性回归 (LR),梯度增强 (GB) 和随机森林 (RF) 模型的性能.
• 为了确定影响磨损率的关键操作参数.

主要方法:

• 用玻璃填充PTFE的L25直角阵列收集的实验数据.
• 应用负载,滑动速度和滑动距离的变化进行了测试.
• 使用ML算法 (LR,GB,RF) 来分析实验数据并预测特定磨损率.

主要成果:

• 梯度提升 (GB) 模型达到0.97的最高R2值,表明近乎完美的匹配.
• 线性回归 (LR) 和随机森林 (RF) 模型显示R2值分别为0.91和0.94.
• 皮尔森的相关性分析强调负载和滑动距离是影响磨损率的重要因素.

结论:

• ML模型,特别是渐变增强,有效地预测玻璃填充PTFE复合材料的特定磨损率.
• 这项研究证明了ML在聚合物 tribology 中对性能预测的实用性.
• 施加的负载和滑动距离是影响复合材料磨损行为的关键参数.