相关实验视频
Updated: Sep 10, 2025

08:43
Fused Filament Fabrication FFF of Metal-Ceramic Components
Published on: January 11, 2019
17.4K
在燃烧阶段预测陶属性的先进机器学习模型
Milica V Vasić1, Paul O Awoyera2, Olaolu George Fadugba3,4
1Institute for Testing of Materials, Centre for Materials, Bulevar vojvode Mišića 43, Beograd, 11040, Serbia. milica.vasic@institutims.rs.
Scientific reports
|August 26, 2025
概括
机器学习使用CatBoost准确预测陶的吸水性和曲强度. 关键因素包括粘土矿物质含量,SiO2度和燃烧温度,以优化节能制造.
科学领域:
- 材料科学
- 陶工程
- 人工智能
背景情况:
- 陶生产依赖于精确控制原材料和烧制条件,以达到所需的性能.
- 吸水 (WA) 和曲强度 (BS) 是由复杂的材料属性关系影响的关键性能指标.
- 传统的方法难以捕捉这些属性的复杂非线性相互作用.
研究的目的:
- 开发和评估用于预测陶属性的先进机器学习 (ML) 模型 (WA和BS).
- 确定影响WA和BS的主要原料和加工参数.
- 利用可解释的人工智能 (XAI) 为陶制剂和工艺优化提供数据驱动的洞察力.
主要方法:
- 分析包含312个陶样本的数据集,其中包括详细的成分和加工数据.
- 评估了四个整体ML模型,其中CatBoost被选为更高的预测准确度.
- 使用了SHapley添加式解释 (SHAP) 和部分依赖图表来解释模型.
主要成果:
- CatBoost模型实现了WA和BS的高预测性能.
- 粘土矿物质含量 (~40%) 和SiO2度 (~30%) 是WA的主要驱动因素.
- 燃烧温度 (~35%) 和Al2O3含量 (~25%) 是BS的主要预测因素.
- 确定SiO2含量和BS最佳燃烧温度的关键值.
结论:
- 可解释的人工智能有效地预测陶性能并识别关键影响因素.
- 数据驱动的洞察力支持陶制造中的实时流程优化,产品一致性和能源效率.
- 这些发现符合已知的陶原理,同时提供了新的配方指导.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
06:53Additive Manufacturing of Functionally Graded Ceramic Materials by Stereolithography
Published on: January 25, 2019
14.5K