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

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys [7.246224582503583]
  本研究では,画像処理と深層学習技術に基づくマルチモーダル融合学習フレームワークを提案する。 固溶Mg-Gd合金のビッカース硬さを正確に予測するために, 元素組成と組織特性を統合した。
  論文  参考訳（メタデータ） (2024-10-27T10:28:29Z)
• Accelerating the discovery of low-energy structure configurations: a computational approach that integrates first-principles calculations, Monte Carlo sampling, and Machine Learning [8.695927973994577]
  我々は,モンテカルロサンプリング,第一原理DFT計算,機械学習を組み合わせた物理に基づくデータ駆動手法を開発した。 タングステン系4元系高エントロピー合金の特別な場合に対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T01:34:42Z)
• Biomimetic Machine Learning approach for prediction of mechanical properties of Additive Friction Stir Deposited Aluminum alloys based walled structures [0.0]
  本研究は, バイオミメティック・機械学習を用いてAFSD(Additive Friction Stir deposited)アルミニウム合金壁構造の機械的特性を予測する新しい手法を提案する。 この研究は、AFSDプロセスの数値モデリングと遺伝的アルゴリズム最適化機械学習モデルを組み合わせて、von Misesストレスと対数ひずみを予測する。
  論文  参考訳（メタデータ） (2024-08-05T13:27:54Z)
• Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [1.1016723046079784]
  原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。 提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。 MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
  論文  参考訳（メタデータ） (2024-04-16T17:24:22Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998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。 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)
• 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)
• 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)

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。