論文の概要: Mechanical Property Design of Bio-compatible Mg alloys using
Machine-Learning Algorithms
- arxiv url: http://arxiv.org/abs/2305.12060v1
- Date: Sat, 20 May 2023 02:18:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 01:06:15.283574
- Title: Mechanical Property Design of Bio-compatible Mg alloys using
Machine-Learning Algorithms
- Title(参考訳): 機械学習法による生体適合Mg合金の機械的性質設計
- Authors: Parham Valipoorsalimi, Yuksel Asli Sari, Mihriban Pekguleryuz
- Abstract要約: マグネシウム合金は, 生体適合性, 腐食速度の制御, 硬さと密度の点で天然骨との類似性から, 一時的な生体適合剤として魅力的な選択肢である。
しかし、機械的強度の低いため、心臓血管ステントや骨代替品としての使用は妨げられる。
本研究では, 生体適合性マグネシウム合金の降伏強度(YS)を91%の精度で予測する機械学習モデルを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnesium alloys are attractive options for temporary bio-implants because of
their biocompatibility, controlled corrosion rate, and similarity to natural
bone in terms of stiffness and density. Nevertheless, their low mechanical
strength hinders their use as cardiovascular stents and bone substitutes. While
it is possible to engineer alloys with the desired mechanical strength,
optimizing the mechanical properties of biocompatible magnesium alloys using
conventional experimental methods is time-consuming and expensive. Therefore,
Artificial Intelligence (AI) can be leveraged to streamline the alloy design
process and reduce the required time. In this study, a machine learning model
was developed to predict the yield strength (YS) of biocompatible magnesium
alloys with an $R^2$ accuracy of 91\%. The predictive model was then validated
using the CALPHAD technique and thermodynamics calculations. Next, the
predictive model was employed as the fitness function of a genetic algorithm to
optimize the alloy composition for high-strength biocompatible magnesium
implants. As a result, two alloys were proposed and synthesized, exhibiting YS
values of 108 and 113 MPa, respectively. These values were substantially higher
than those of conventional magnesium biocompatible alloys and closer to the YS
and compressive strength of natural bone. Finally, the synthesized alloys were
subjected to microstructure analysis and mechanical property testing to
validate and evaluate the performance of the proposed AI-based alloy design
approach for creating alloys with specific properties suitable for diverse
applications.
- Abstract(参考訳): マグネシウム合金は, 生体適合性, 腐食速度の制御, 硬さと密度の点で天然骨との類似性から, 一時的な生体実装に魅力的な選択肢である。
それでも、機械的強度の低いため、心臓血管ステントや骨代替品としての使用は妨げられる。
所望の機械的強度で合金を製作することは可能であるが、従来の実験方法による生体適合性マグネシウム合金の機械的特性の最適化には時間と費用がかかる。
したがって、人工知能(AI)は合金設計プロセスの合理化と必要な時間を短縮するために利用することができる。
本研究では, 生体適合性マグネシウム合金の降伏強度(YS)を, R^2$ 91\%の精度で予測する機械学習モデルを開発した。
CALPHAD法と熱力学計算を用いて予測モデルを検証した。
次に, 高強度生体適合性マグネシウムインプラントの合金組成を最適化する遺伝的アルゴリズムの適合関数として, 予測モデルを用いた。
その結果, それぞれ108MPaと113MPaのYS値を示す2つの合金が提案され, 合成された。
これらの値は, 従来のマグネシウム生体適合合金よりも著しく高く, 天然骨のYSと圧縮強度に近かった。
最後に, 種々の用途に適した特性を有する合金を作製するためのaiベースの合金設計手法の性能を検証するため, 組織解析および機械的特性試験を行った。
関連論文リスト
- Guided Diffusion for Fast Inverse Design of Density-based Mechanical
Metamaterials [43.780353583539785]
本稿では, ボクセルをベースとしたメカニカルメタマテリアルを生成するために, コアが高度な深層生成AIアルゴリズムである高速逆設計法を提案する。
具体的には, 1283ドルの分解能を持つマイクロ構造を生成できる自己条件拡散モデルを用いて, 特定の均質化行列にわずか3秒でアプローチする。
論文 参考訳(メタデータ) (2024-01-24T16:31:50Z) - Deep Learning Approaches for Dynamic Mechanical Analysis of Viscoelastic
Fiber Composites [0.0]
強化ポリマー(RP)複合材料は、快適性、安全性、エネルギー効率を高めるために不可欠である。
マシンラーニング(ML)を使用して、マイクロ構造の設計と理解を迅速化することへの関心が高まっています。
本稿では, 深層ニューラルネットワークを用いて微細構造を機械的特性にマッピングし, プロセスの高速化と, 所望の特性から微細構造の生成を可能にすることを目的とする。
論文 参考訳(メタデータ) (2023-10-20T23:33:27Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [72.73126947400603]
我々は、999の分子動力学軌道に対して正確なハミルトン行列を提供するために、QH9と名付けられた新しい量子ハミルトンデータセットを生成する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳(メタデータ) (2023-03-22T07:51:32Z) - Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。
このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
論文 参考訳(メタデータ) (2022-10-18T11:54:11Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Hardness prediction of age-hardening aluminum alloy based on ensemble
learning [0.0]
合金は組成、加齢条件(時間と温度)を入力し、その硬さを予測するのに使用される。
実験により、正しい二次学習者を選択することで、モデルの予測精度をさらに向上できることが示された。
本論文は,深層ニューラルネットワークに基づく2次学習者改善のための注意機構を導入し,より優れた性能の融合モデルを得る。
論文 参考訳(メタデータ) (2022-06-16T09:14:26Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Process parameter optimization of Friction Stir Welding on 6061AA using
Supervised Machine Learning Regression-based Algorithms [0.0]
本稿では, 溶接継手の機械的特性向上のための最適プロセスパラメータの検証を行った。
実験は5mm6061アルミニウム合金板上で行われ, 工具材料, 回転速度, 横速度, 軸力を用いた。
論文 参考訳(メタデータ) (2021-08-12T05:45:02Z) - Physics-informed machine learning for composition-process-property alloy
design: shape memory alloy demonstration [0.0]
機械学習(ML)は、高次元多目的設計空間において、新しい合金とその性能を予測する。
物理インフォームドされた特徴のあるエンジニアリングアプローチは、さもなくばパフォーマンスの悪いMLモデルを同じデータで正常に動作させることを可能にします。
論文 参考訳(メタデータ) (2020-03-04T03:53:55Z)
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。