相关实验视频
Updated: May 29, 2025
05:04
Determining the Mechanical Strength of Ultra-Fine-Grained Metals
Published on: November 22, 2021
2.2K
机器学习方法用于预测和验证Mg稀土合金的机械性能,用于轻量级应用
Sandeep Jain1,2, Ayan Bhowmik2, Jaichan Lee1
1School of Advanced Materials Science and Engineering, Sungkyunkwan University, Suwon, Republic of Korea.
Science and technology of advanced materials
|February 5, 2025
概括
机器学习准确地预测了与稀土合金的机械性能. 该K-最近邻居 (KNN) 模型显示出卓越的性能,使精确的材料行为预测.
科学领域:
- 材料科学 材料科学 材料科学
- 金工业是金工业的一个方面.
- 计算材料科学科学 计算材料科学
背景情况:
- 基于Mg的轻质稀土合金对于先进的应用至关重要.
- 在各种热力学过程下预测它们的机械行为是具有挑战性的.
- 优化合金性能需要准确的预测模型.
研究的目的:
- 使用机器学习预测基于Mg的稀土合金的机械行为.
- 评估和比较不同机器学习模型的有效性.
- 确定最好的模型来预测材料的性能,如强度和延长.
主要方法:
- 机器学习技术的应用,以分析来自溶液处理,均质化,挤出和老化的数据.
- 使用R2 (R2),平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 等指标评估模型性能.
- 基于其卓越的预测准确性,选择K-最近邻居 (KNN) 模型.
主要成果:
- K-最近邻居 (KNN) 模型显示出高预测准确度.
- 在KNN模型中的性能指标包括R2=0.955,MAE=3.4%,RMSE=4.5%.
- 在预测机械性质方面,KNN模型优于其他机器学习方法.
结论:
- 机器学习,特别是KNN模型,对于预测Mg-稀土合金的机械行为非常有效.
- 能够准确预测最终的抗拉强度,度强度和总延长.
- 这种方法促进了新型轻质合金的开发和优化.
更多相关视频
11:11Experimental Methods for Investigation of Shape Memory Based Elastocaloric Cooling Processes and Model Validation
Published on: May 2, 2016
11.0K
08:55Methods of Ex Situ and In Situ Investigations of Structural Transformations: The Case of Crystallization of Metallic Glasses
Published on: June 7, 2018
8.5K
