通过使用机器学习来预测金属和合金在高温氧化过程中氧化的裂纹的新方法
Rathachai Chawuthai1, Teeratat Promchan2, Jularak Rojsanga2
1Department of Computer Engineering, School of Engineering, King Mongkut's Institute of Technology Ladkrabang, Chalongkrung Road, Ladkrabang, Bangkok, 10520, Thailand.
Scientific reports
|March 5, 2025
概括
机器学习准确地预测了材料故障,在预测高温过程中的氧化物裂变方面超过了Pilling-Bedworth比率 (PBR). 这种方法提高了合金降解和保护性氧化物薄膜完整性的预测.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
背景情况:
- 材料降解,特别是裂和保护性氧化物薄膜分离,是高温工业过程中的关键故障模式.
- 皮林-贝德沃思比率 (PBR) 是一种传统的,但往往不准确的方法,用于根据体积变化预测氧化物分离.
研究的目的:
- 开发和评估一种机器学习模型,用于预测合金中的氧化物形成和裂变,温度在600-1,200°C之间.
- 将机器学习的预测精度与传统的PBR方法进行比较.
主要方法:
- 利用机器学习方法,特别是带有15个估计器的随机森林,来预测材料故障.
- 输入变量包括合金组成,氧化物类型和氧化条件 (温度,时间).
主要成果:
- 与PBR方法相比,开发的机器学习模型在预测氧化物分离的准确性更高.
- 具有15个估计器的随机森林模型被确定为此任务的最佳机器学习算法.
结论:
- 机器学习为预测高温氧化过程中的材料故障提供了更准确,更可靠的方法.
- 这项研究强调了机器学习在促进材料降解的理解和预防方面的重要作用.


