論文の概要: Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys

• arxiv url: http://arxiv.org/abs/2410.20402v1
• Date: Sun, 27 Oct 2024 10:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:15:15.646269
• Title: Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys
• Title（参考訳）: Mg-Gd合金の深層学習による組織評価とビッカース硬さ予測
• Authors: Lu Wang, Hongchan Chen, Bing Wang, Qian Li, Qun Luo, Yuexing Han,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.246224582503583
• License:
• Abstract: In the field of materials science, exploring the relationship between composition, microstructure, and properties has long been a critical research focus. The mechanical performance of solid-solution Mg-Gd alloys is significantly influenced by Gd content, dendritic structures, and the presence of secondary phases. To better analyze and predict the impact of these factors, this study proposes a multimodal fusion learning framework based on image processing and deep learning techniques. This framework integrates both elemental composition and microstructural features to accurately predict the Vickers hardness of solid-solution Mg-Gd alloys. Initially, deep learning methods were employed to extract microstructural information from a variety of solid-solution Mg-Gd alloy images obtained from literature and experiments. This provided precise grain size and secondary phase microstructural features for performance prediction tasks. Subsequently, these quantitative analysis results were combined with Gd content information to construct a performance prediction dataset. Finally, a regression model based on the Transformer architecture was used to predict the Vickers hardness of Mg-Gd alloys. The experimental results indicate that the Transformer model performs best in terms of prediction accuracy, achieving an R^2 value of 0.9. Additionally, SHAP analysis identified critical values for four key features affecting the Vickers hardness of Mg-Gd alloys, providing valuable guidance for alloy design. These findings not only enhance the understanding of alloy performance but also offer theoretical support for future material design and optimization.
• Abstract（参考訳）: 材料科学の分野では、組成、ミクロ構造、物性の関係を探究することが、長い間重要な研究の焦点であった。 固溶Mg-Gd合金の機械的性質は,Gd含有量,樹状組織,二次相の存在に大きく影響された。 本研究は,これらの要因の影響をよりよく分析し,予測するために,画像処理と深層学習技術に基づく多モード融合学習フレームワークを提案する。 本フレームワークは, 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。 文献や実験から得られたMg-Gd合金の様々な固溶体から微細構造情報を抽出するために,当初は深層学習法が用いられていた。 これにより、性能予測タスクのための正確な粒度と二次相の微細構造が提供される。 その後、これらの定量的分析結果をGdコンテンツ情報と組み合わせて、性能予測データセットを構築した。 最後に, Mg-Gd合金のビッカース硬さを予測するために, Transformer アーキテクチャに基づく回帰モデルを用いた。 実験結果から,Transformerモデルの方が予測精度が良く,R^2が0.9。 さらに,Mg-Gd合金のビッカース硬さに影響を及ぼす4つの重要な特性について,SHAP分析により重要な値が同定された。 これらの知見は、合金性能の理解を深めるだけでなく、将来の材料設計と最適化の理論的支援も提供する。

関連論文リスト

• 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)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• Revealing the structure-property relationships of copper alloys with FAGC [7.00651980770986]
  本研究では,Cu-Cr-Zr合金に対して,FAGC(Feature Augmentation on Geodesic Curves)法を提案する。 このアプローチは、機械学習を利用して、合金の微細構造の画像内の形状を調べ、その機械的および電子的特性を予測する。 FAGC法では,Cu-Cr-Zr合金の電気伝導率および硬さの予測精度が著しく向上した。
  論文  参考訳（メタデータ） (2024-04-15T07:20:09Z)
• AlloyBERT: Alloy Property Prediction with Large Language Models [5.812284760539713]
  本研究は, テキスト入力による合金特性の予測を目的とした変圧器エンコーダモデル, AlloyBERTを紹介する。 テキストデータに基づいてトレーニングされたトークン化器とRoBERTaエンコーダを組み合わさることで,Multi principal Elemental Alloys (MPEA)データセットにおける平均2乗誤差(MSE)が0.00015,Refractory Alloy Yield Strength (RAYS)データセットで0.00611に達した。 本研究は,材料科学における言語モデルの可能性を強調し,合金特性のテキストベース予測のための基礎的枠組みを構築した。
  論文  参考訳（メタデータ） (2024-03-28T19:09:46Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• 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)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• 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)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。