Science >> Wetenschap >  >> Chemie

Onderzoekers gebruiken kunstmatige intelligentie om de geheimen van de anisotropie van magnesiumlegeringen te ontrafelen

Het model beschikt over krachtige data-analysemogelijkheden om de plastische anisotrope eigenschappen van gesmede Mg-legeringen nauwkeurig te voorspellen. Hun werk werd online beschikbaar gesteld in het Journal of Magnesium and Alloys op 16 januari 2024.

"Wat betreft de nauwkeurigheid van ML-voorspellingen vanuit het oogpunt van datawetenschap, realiseerden we ons dat er ruimte was voor verbetering. Daarom ontwikkelden we, in tegenstelling tot de eerder gerapporteerde voorspellingsmethoden, een ML-model met data-vergroting om nauwkeurigheid te bereiken, evenals generaliseerbaarheid met betrekking tot verschillende laadmodi", zegt prof. Lee, die het kernidee achter hun nieuwe model beschrijft.

"Dit opende uiteindelijk manieren voor integratie met een eindige-elementenanalyse om nauwkeurige spanningsschattingen te verkrijgen van producten gemaakt van metaallegeringen met aanzienlijke plasticanisotropie."

Om een ​​model met verbeterde nauwkeurigheid te bouwen, combineerde het team de volledige stroomcurves, GAN, algoritmegestuurde afstemming van hyperparameters en GRU-architectuur, enkele van de belangrijkste strategieën die in de datawetenschap worden gebruikt. Deze nieuwe aanpak vergemakkelijkt het leren van volledige stroomcurvegegevens in plaats van beperkt te zijn tot het trainen van samengevatte mechanische eigenschappen, zoals veel eerdere modellen.

Om de betrouwbaarheid van het GAN-ondersteunde GRU-model te testen, heeft het team het uitgebreid geëvalueerd onder voorspellende scenario's, variërend van extrapolatie, interpolatie en robuustheid, met datasets van beperkte omvang. Toen het model op de proef werd gesteld, schatte het het anisotrope gedrag van ZK60 Mg-legeringen voor drie belastingsrichtingen en onder elf gloeiomstandigheden.

Met deze experimenten ontdekte het team dat hun model een aanzienlijk betere robuustheid en generaliseerbaarheid vertoonde dan andere modellen die waren ontworpen om vergelijkbare taken uit te voeren. Deze superieure prestaties worden voornamelijk toegeschreven aan GAN-ondersteunde gegevensvergroting en ondersteund door het uitstekende extrapolatievermogen van de GRU-architectuur en de optimalisatie van hyperparameters – parameters waarvan de waarden worden gebruikt om het leerproces te controleren.

Daarom gaat deze studie verder dan kunstmatige neurale netwerken. Het demonstreert met succes het vermogen van op ML gebaseerde modellen voor het schatten van het anisotrope vervormingsgedrag van bewerkte Mg-legeringen.

"De algehele prestaties en levensduur van componenten gemaakt van een Mg-legering zijn grotendeels afhankelijk van het plastische anisotrope gedrag, waardoor het voorspellen en beheersen van vervormingen een essentieel onderdeel is van het materiaalontwerp. Wij zijn van mening dat het model zal helpen bij het ontwerp en de productie van metalen producten voor verschillende toepassingen", besluit prof. Lee.

Meer informatie: Sujeong Byun et al, Verbeterde voorspelling van anisotropisch vervormingsgedrag met behulp van machinaal leren met data-vergroting, Journal of Magnesium and Alloys (2024). DOI:10.1016/j.jma.2023.12.007

Aangeboden door Pusan ​​National University




Meer >

Meer >

Hoofdlijnen

  1. Bevindingen sonde cel samenwerking, massale migratie
  2. Geowetenschappers vergelijken micro-organismen in de poolgebieden
  3. De controverse over de menselijke hersenen die nieuwe cellen maken
  4. Wat is perifeer bloed?
  5. Nieuw onderzoek suggereert dat diverse hoofddeksels bij hoefdieren zijn geëvolueerd uit een gemeenschappelijke voorouder
  6. Van stamcellen afgeleide levercellen geven nieuwe aanwijzingen voor ebola
  7. Huilende olifanten en giechelende ratten - dieren hebben gevoelens, te
  8. 10 dingen die linkshandigen beter doen
  9. Gewone burgers helpen de wereldwijde dreiging van door muggen overgedragen ziekten te bestrijden

Wetenschap