相关实验视频
Updated: Jun 16, 2025

Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
反向神经网络方法,优化罩金属弧金属中的化学成分
Taehyun Yoon1, Young Il Park1, Jaewoong Kim2
1Department of Naval Architecture and Offshore Engineering, Dong-A University, Busan 49315, Republic of Korea.
本研究介绍了一种混合机器学习模型,以优化接金属组合物以达到所需的机械性能. 该方法使用人工神经网络和遗传算法,用于屏蔽金属弧的有效合金设计.
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
- 接工程 接工程
背景情况:
- 优化化学成分,以满足屏蔽金属弧金属的特定机械性能,对于材料性能至关重要.
- 现有的方法可能无法有效地探索组成和特性之间的复杂关系.
- 数据驱动的方法可以加速发现新型接金属合金.
研究的目的:
- 开发一种混合机器学习框架,以优化屏蔽金属弧金属组合物.
- 为了达到目标的机械性能,包括收益率强度,最终抗拉强度和Charpy冲击过渡温度.
- 为了实现加速接合金开发的反向设计.
主要方法:
- 在一个实验数据库上训练了一个神经网络模型,该数据库包含超过950个屏蔽金属弧金属.
- 贝叶斯优化被用来提高神经网络模型的预测准确度.
- 一个遗传算法与神经网络集成,用于反向设计,探索组合空间以满足属性目标.
主要成果:
- 神经网络模型证明了关键机械性质的高预测精度.
- 混合框架成功地确定了多种可行的化学成分,符合所需的机械性质目标.
- 该研究验证了神经网络辅助反向设计在合金开发中的有效性.
结论:
- 混合机器学习框架为优化接金属组合提供了一个强大的工具.
- 这种方法加速了具有定制性质的先进接合金的发现和设计.
- 这些发现突出了将机器学习与材料科学相结合的潜力,以促进创新.
更多相关视频
07:44Determining the Chemical Composition of Corrosion Inhibitor/Metal Interfaces with XPS: Minimizing Post Immersion Oxidation
Published on: March 15, 2017
12:02Determination of Thermodynamic Properties of Alkaline Earth-liquid Metal Alloys Using the Electromotive Force Technique
Published on: November 3, 2017
相关概念视频
Diamagnetic Shielding of Nuclei: Local Diamagnetic Current
Atomic Emission Spectroscopy: Interference