論文の概要: Machine Learning for Material Characterization with an Application for
Predicting Mechanical Properties
- arxiv url: http://arxiv.org/abs/2010.06010v1
- Date: Mon, 12 Oct 2020 20:30:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 07:43:07.730229
- Title: Machine Learning for Material Characterization with an Application for
Predicting Mechanical Properties
- Title（参考訳）: 材料キャラクタリゼーションのための機械学習と機械的特性予測への応用
- Authors: Anke Stoll, Peter Benner
- Abstract要約: 本研究では,材料特性予測における機械学習手法の有用性について検討する。
業界では、引張テスト、圧縮テスト、クリープテストのような材料テストは、しばしば時間がかかり、実行するのにコストがかかる。
本研究は, 各種材料特性の究極的引張強度決定のための小型パンチ試験データへの機械学習手法の適用について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Currently, the growth of material data from experiments and simulations is
expanding beyond processable amounts. This makes the development of new
data-driven methods for the discovery of patterns among multiple lengthscales
and time-scales and structure-property relationships essential. These
data-driven approaches show enormous promise within materials science. The
following review covers machine learning applications for metallic material
characterization. Many parameters associated with the processing and the
structure of materials affect the properties and the performance of
manufactured components. Thus, this study is an attempt to investigate the
usefulness of machine learning methods for material property prediction.
Material characteristics such as strength, toughness, hardness, brittleness or
ductility are relevant to categorize a material or component according to their
quality. In industry, material tests like tensile tests, compression tests or
creep tests are often time consuming and expensive to perform. Therefore, the
application of machine learning approaches is considered helpful for an easier
generation of material property information. This study also gives an
application of machine learning methods on small punch test data for the
determination of the property ultimate tensile strength for various materials.
A strong correlation between small punch test data and tensile test data was
found which ultimately allows to replace more costly tests by simple and fast
tests in combination with machine learning.
- Abstract（参考訳）: 現在、実験やシミュレーションによる材料データの成長は、処理可能な量を超えて拡大している。
これにより、複数の長さスケールと時間スケール間のパターン発見のための新しいデータ駆動手法の開発が不可欠となる。
これらのデータ駆動アプローチは、材料科学において大きな可能性を秘めている。
金属材料のキャラクタリゼーションのための機械学習応用について概説する。
材料の加工と構造に関連する多くのパラメータが、製造部品の特性と性能に影響を及ぼす。
そこで本研究では,材料特性予測における機械学習手法の有用性を検討する試みである。
強度、靭性、硬さ、脆性、延性などの材料特性は、材料または部品の品質に応じて分類される。
業界では、引張試験、圧縮試験、クリープ試験などの材料テストは、しばしば時間を消費し、実行にコストがかかる。
したがって,機械学習の応用は,資料情報を容易に生成する上で有用であると考えられる。
本研究は, 各種材料の特性究極引張強度を判定するために, 小型パンチ試験データへの機械学習手法の適用も行った。
小さなパンチテストデータと引張テストデータとの間に強い相関関係が発見され、最終的には機械学習と組み合わせることで、よりコストのかかるテストを置き換えることが可能になった。
関連論文リスト
- SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。
本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。
データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文 参考訳（メタデータ） (2024-07-11T08:12:46Z) - Alchemist: Parametric Control of Material Properties with Diffusion
Models [51.63031820280475]
本手法は,フォトリアリズムで知られているテキスト・イメージ・モデルの生成先行に乗じる。
我々は,NeRFの材料化へのモデルの適用の可能性を示す。
論文 参考訳（メタデータ） (2023-12-05T18:58:26Z) - Multimodal Learning for Materials [7.167520424757711]
材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。
複数の軸上のMaterial Projectデータベースからのデータを用いてフレームワークの可能性を示す。
論文 参考訳（メタデータ） (2023-11-30T18:35:29Z) - Multimodal machine learning for materials science: composition-structure
bimodal learning for experimentally measured properties [4.495968252019426]
本稿では,構成構造ビモーダル学習による材料科学におけるマルチモーダル機械学習の新しいアプローチを提案する。
提案するCOSNetは,不完全な構造情報を持つ実験材料特性の学習と予測を強化するために設計されている。
論文 参考訳（メタデータ） (2023-08-04T02:04:52Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Tyger: Task-Type-Generic Active Learning for Molecular Property
Prediction [121.97742787439546]
分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。
アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。
本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
論文 参考訳（メタデータ） (2022-05-23T12:56:12Z) - A Machine Learning Method for Material Property Prediction: Example
Polymer Compatibility [39.364776649251944]
材料特性予測のための新しい汎用機械学習手法を提案する。
代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。
論文 参考訳（メタデータ） (2022-02-28T05:48:05Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳（メタデータ） (2021-11-10T21:19:02Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Prediction of properties of metal alloy materials based on machine
learning [6.827605235800052]
本稿では, 金属合金の原子体積, 原子エネルギー, 原子生成エネルギーに関する実験を行う。
従来の機械学習モデル、ディープラーニングネットワーク、自動機械学習を通じて、材料特性予測における機械学習の有効性を検証する。
実験結果から,機械学習が材料特性を正確に予測できることが示唆された。
論文 参考訳（メタデータ） (2021-09-20T09:40:36Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。