論文の概要: From data to design: Random forest regression model for predicting mechanical properties of alloy steel

• arxiv url: http://arxiv.org/abs/2511.02290v1
• Date: Tue, 04 Nov 2025 06:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.826023
• Title: From data to design: Random forest regression model for predicting mechanical properties of alloy steel
• Title（参考訳）: データから設計へ:アルミニウム合金の機械的性質予測のためのランダムフォレスト回帰モデル
• Authors: Samjukta Sinha, Prabhat Das,
• Abstract要約: 本研究では, 鋼の機械的特性予測におけるランダムフォレスト回帰の適用性について検討した。 我々はR2スコアと平均二乗誤差(MSE)によって実証された高い予測性能を達成し、ランダムフォレストモデルを訓練・評価した。 この知見は, 材料特性予測の強化におけるアンサンブル学習の可能性と, 材料科学における産業応用への示唆を裏付けるものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates the application of Random Forest Regression for predicting mechanical properties of alloy steel-Elongation, Tensile Strength, and Yield Strength-from material composition features including Iron (Fe), Chromium (Cr), Nickel (Ni), Manganese (Mn), Silicon (Si), Copper (Cu), Carbon (C), and deformation percentage during cold rolling. Utilizing a dataset comprising these features, we trained and evaluated the Random Forest model, achieving high predictive performance as evidenced by R2 scores and Mean Squared Errors (MSE). The results demonstrate the model's efficacy in providing accurate predictions, which is validated through various performance metrics including residual plots and learning curves. The findings underscore the potential of ensemble learning techniques in enhancing material property predictions, with implications for industrial applications in material science.
• Abstract（参考訳）: 本研究では, 鉄 (Fe), クロム (Cr), ニッケル (Ni), マンガン (Mn), ケイ素 (Si), 銅 (Cu), 炭素 (C), および冷間圧延中の変形率を含む材料組成特性から, 鉄 (Fe), クロム (Cr), ニッケル (Ni), 鉄 (Si), 銅 (Cu), 炭素 (C) の機械的特性を予測するためのランダムフォレスト回帰法の適用について検討した。 これらの特徴からなるデータセットを用いてランダムフォレストモデルを訓練・評価し,R2スコアと平均正方形誤差(MSE)によって実証された高い予測性能を実現した。 その結果,残差プロットや学習曲線など,様々な評価指標を用いて,精度の高い予測を行う上でのモデルの有効性が示された。 この知見は, 材料特性予測の強化におけるアンサンブル学習の可能性と, 材料科学における産業応用への示唆を裏付けるものである。

関連論文リスト

• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Enhancing Corrosion Resistance of Aluminum Alloys Through AI and ML Modeling [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-10T13:06:08Z)
• Machine Learning-Based Prediction of Metal-Organic Framework Materials: A Comparative Analysis of Multiple Models [2.089191490381739]
  金属-有機系フレームワーク (MOF) は様々な用途に期待できる材料として登場してきた。 本研究は,MOFの材料特性を予測するための機械学習手法に関する包括的研究である。
  論文  参考訳（メタデータ） (2025-07-06T18:10:00Z)
• Pure Component Property Estimation Framework Using Explainable Machine Learning Methods [4.8601239628666635]
  結合行列に基づく分子表現法は、原子結合関係を効果的に考慮し、特徴を自動生成する。 ニューラルネットワークとガウス過程回帰モデルを用いて, 通常の沸点 (Tb), 液体モル体積, 臨界温度 (Tc) および臨界圧力 (Pc) の予測結果を得た。 モデルの解釈可能性を高めるために,Shapley値に基づく特徴解析手法を用いて特性予測への各特徴の寄与を決定する。
  論文  参考訳（メタデータ） (2025-05-14T20:21:23Z)
• 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)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• 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)
• A machine learning approach to predict the structural and magnetic properties of Heusler alloy families [0.0]
  ランダムフォレスト (RF) 回帰モデルを用いてフルハウスラー合金の格子定数, 磁気モーメント, 生成エネルギーを予測する。 密度汎関数理論(DFT)を用いた計算値に対する機械学習予測値間のパリティプロットは、調整されたR2値が0.80から0.94の範囲にある線形挙動を示す。 また,1つのフルハウスラー合金と1つの4次ハウスラー合金を用いたケーススタディを,機械学習予測結果と過去の理論計算値と比較した。
  論文  参考訳（メタデータ） (2022-08-07T20:46:57Z)
• 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)
• Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
  ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。 現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。 そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:33:44Z)

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。