論文の概要: Enhancing Corrosion Resistance of Aluminum Alloys Through AI and ML Modeling

• arxiv url: http://arxiv.org/abs/2508.11685v1
• Date: Sun, 10 Aug 2025 13:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.253173
• Title: Enhancing Corrosion Resistance of Aluminum Alloys Through AI and ML Modeling
• Title（参考訳）: AIとMLモデリングによるアルミニウム合金の耐食性向上
• Authors: Farnaz Kaboudvand, Maham Khalid, Nydia Assaf, Vardaan Sahgal, Jon P. Ruffley, Brian J. McDermott,
• Abstract要約: 本研究では, 耐食性予測と最適化のための機械学習アルゴリズムの適用について検討した。 データセットは、ユニットとフォーマットを標準化するために前処理された腐食率データと環境条件を含む。
• 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: Corrosion poses a significant challenge to the performance of aluminum alloys, particularly in marine environments. This study investigates the application of machine learning (ML) algorithms to predict and optimize corrosion resistance, utilizing a comprehensive open-source dataset compiled from various sources. The dataset encompasses corrosion rate data and environmental conditions, preprocessed to standardize units and formats. We explored two different approaches, a direct approach, where the material's composition and environmental conditions were used as inputs to predict corrosion rates; and an inverse approach, where corrosion rate served as the input to identify suitable material compositions as output. We employed and compared three distinct ML methodologies for forward predictions: Random Forest regression, optimized via grid search; a feed-forward neural network, utilizing ReLU activation and Adam optimization; and Gaussian Process Regression (GPR), implemented with GPyTorch and employing various kernel functions. The Random Forest and neural network models provided predictive capabilities based on elemental compositions and environmental conditions. Notably, Gaussian Process Regression demonstrated superior performance, particularly with hybrid kernel functions. Log-transformed GPR further refined predictions. This study highlights the efficacy of ML, particularly GPR, in predicting corrosion rates and material properties.
• Abstract（参考訳）: 腐食は、特に海洋環境下でのアルミニウム合金の性能にとって重要な課題である。 本研究では,各種ソースから収集した包括的なオープンソースデータセットを用いて,機械学習(ML)アルゴリズムによる耐食性予測と最適化について検討した。 データセットは、単位とフォーマットを標準化するために前処理された腐食率データと環境条件を含む。 本研究では, 材料組成と環境条件を入力として, 腐食速度を予測するための直接的アプローチと, 適切な材料組成を出力として同定する逆アプローチの2つのアプローチについて検討した。 我々は,前方予測のために,ランダムフォレスト回帰,グリッド探索による最適化,フィードフォワードニューラルネットワーク,ReLUアクティベーションとAdam最適化,GPyTorchで実装されたガウスプロセス回帰(GPR)という3つの異なるML手法を採用し,比較した。 ランダムフォレストとニューラルネットワークモデルは、元素組成と環境条件に基づいて予測能力を提供した。 特にガウス過程回帰は、特にハイブリッドカーネル関数において優れた性能を示した。 ログ変換されたGPRはさらに洗練された予測を行う。 本研究は, ML, 特にGPRの腐食速度および材料特性予測における有効性を強調した。

関連論文リスト

• Accurate and Uncertainty-Aware Multi-Task Prediction of HEA Properties Using Prior-Guided Deep Gaussian Processes [0.48370725368505757]
  本研究では、従来のガウス過程(cGP)、ディープガウス過程(DGP)、マルチ出力回帰のためのエンコーダデコーダニューラルネットワーク、およびAlCoCrCuFeMnNiV HEAシステムの実験および計算特性のハイブリッドデータセットに適用したXGBoostの適合性能を系統的に評価した。
  論文  参考訳（メタデータ） (2025-06-13T17:40:21Z)
• AMBER: Adaptive Mesh Generation by Iterative Mesh Resolution Prediction [44.21926961255011]
  本稿では,メッシュ適応のための教師あり学習手法であるAMBER(Adaptive Meshing By Expert Reconstruction)を提案する。 AMBERは、サイズフィールドを反復的に予測し、この予測を使用して、アウト・オブ・ザ・ボックスメッシュジェネレータを使用して、新しい中間メッシュを生成する。 AMBERを2次元および3次元の幾何学、古典物理学問題を含むデータセット、機械部品、人間の専門家メッシュを用いた実世界の産業デザインで評価する。
  論文  参考訳（メタデータ） (2025-05-29T17:10:44Z)
• Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
  大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。 提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
  論文  参考訳（メタデータ） (2024-02-27T15:08:57Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Towards Convergence Rates for Parameter Estimation in Gaussian-gated Mixture of Experts [40.24720443257405]
  ガウスゲートMOEモデルにおける最大推定値(MLE)の収束解析を行う。 以上の結果から,MLEはガウスゲーティング関数の位置パラメータの2つの相補的な設定の下で異なる挙動を示すことが明らかとなった。 特に、これらの挙動は2つの異なる方程式系の可解性によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-05-12T16:02:19Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Local approximate Gaussian process regression for data-driven constitutive laws: Development and comparison with neural networks [0.0]
  局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。 FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
  論文  参考訳（メタデータ） (2021-05-07T14:49:28Z)
• Investigating Generalization in Neural Networks under Optimally Evolved Training Perturbations [46.8676764079206]
  入力摂動下でのニューラルネットワークの一般化特性について検討する。 いくつかのピクセル修正による最小限のトレーニングデータ破損は、過度な過度なオーバーフィッティングを引き起こす可能性があることを示す。 最適な画素摂動を探索する進化的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-14T14:38:07Z)

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。