基于机器学习模型的AZ31/TiC复合材料的磨损性能预测
T Satish Kumar1, R Raghu2, Jana Petrů3
1Department of Mechanical Engineering, Amrita School of Engineering, Amrita Vishwa Vidyapeetham, Coimbatore, 641112, India. t_satishkumar@cb.amrita.edu.
Scientific reports
|December 26, 2025
概括
这项研究使用摩擦处理 (FSP) 制造了AZ31合金与TiC颗粒. 机器学习准确地预测了磨损行为,提高了材料设计.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- AZ31合金重量轻,但在耐磨性方面存在局限性.
- 碳化 (TiC) 颗粒可以增强矩阵复合材料.
- 复合材料磨损的预测建模对于材料设计至关重要.
研究的目的:
- 使用摩擦处理 (FSP) 制造AZ31/TiC复合材料.
- 为了评估这些复合材料在各种条件下的磨损行为.
- 开发和验证用于预测磨损性能的机器学习模型.
主要方法:
- 摩擦处理 (FSP) 用于复合材料制造.
- 在受控负载和滑动速度下进行磨损测试.
- 开发和优化用于磨损预测的五种机器学习算法.
主要成果:
- 提钢筋显著改善了微观结构和机械性能,增加了硬度.
- 该AZ31/15体积%TiC复合物显示了精细的粒度结构 (8微米而不是60微米).
- 梯度提升机器学习模型实现了高预测精度 (R2 = 0.9987) 的磨损性能.
结论:
- FSP有效地创造了具有增强性能的AZ31/TiC复合材料.
- 机器学习模型,特别是梯度提升,可以准确地预测复合材料的磨损.
- 综合实验ML方法为数据驱动材料设计提供了强大的工具.
