論文の概要: Physics-Informed Machine Learning for Steel Development: A Computational Framework and CCT Diagram Modelling

• arxiv url: http://arxiv.org/abs/2512.03050v1
• Date: Fri, 21 Nov 2025 22:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.429923
• Title: Physics-Informed Machine Learning for Steel Development: A Computational Framework and CCT Diagram Modelling
• Title（参考訳）: 鉄鋼開発のための物理インフォームド機械学習:計算フレームワークとCCTダイアグラムモデリング
• Authors: Peter Hedström, Victor Lamelas Cubero, Jón Sigurdsson, Viktor Österberg, Satish Kolli, Joakim Odqvist, Ziyong Hou, Wangzhong Mu, Viswanadh Gowtham Arigela,
• Abstract要約: 本稿では,鉄鋼の連続冷却変換モデルを開発するために,物理的洞察と機械学習を組み合わせた計算フレームワークを提案する。 我々のモデルは4,100図のデータセットに基づいて訓練され、文献や実験データに対して検証される。 高い計算効率を示し、100個の冷却曲線を持つ完全なCCTダイアグラムを5秒以内で生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has emerged as a powerful tool for accelerating the computational design and production of materials. In materials science, ML has primarily supported large-scale discovery of novel compounds using first-principles data and digital twin applications for optimizing manufacturing processes. However, applying general-purpose ML frameworks to complex industrial materials such as steel remains a challenge. A key obstacle is accurately capturing the intricate relationship between chemical composition, processing parameters, and the resulting microstructure and properties. To address this, we introduce a computational framework that combines physical insights with ML to develop a physics-informed continuous cooling transformation (CCT) model for steels. Our model, trained on a dataset of 4,100 diagrams, is validated against literature and experimental data. It demonstrates high computational efficiency, generating complete CCT diagrams with 100 cooling curves in under 5 seconds. It also shows strong generalizability across alloy steels, achieving phase classification F1 scores above 88% for all phases. For phase transition temperature regression, it attains mean absolute errors (MAE) below 20 °C across all phases except bainite, which shows a slightly higher MAE of 27 °C. This framework can be extended with additional generic and customized ML models to establish a universal digital twin platform for heat treatment. Integration with complementary simulation tools and targeted experiments will further support accelerated materials design workflows.
• Abstract（参考訳）: 機械学習(ML)は、材料の計算設計と生産を加速するための強力なツールとして登場した。 材料科学において、MLは、第一原理データとデジタル双対による製造プロセスの最適化による新規化合物の大規模発見を主に支援してきた。 しかし、鉄鋼などの複雑な産業材料に汎用MLフレームワークを適用することは依然として課題である。 重要な障害は、化学組成、処理パラメータ、そして結果として生じるミクロ構造と性質の間の複雑な関係を正確に捉えることである。 そこで本研究では, 物理知見をMLと組み合わせ, 物理インフォームド連続冷却変換(CCT)モデルを開発するための計算フレームワークを提案する。 我々のモデルは4,100図のデータセットに基づいて訓練され、文献や実験データに対して検証される。 高い計算効率を示し、100個の冷却曲線を持つ完全なCCTダイアグラムを5秒以内で生成する。 また, 合金鋼間では高い一般化性を示し, 全相のF1スコアが88%以上に達した。 相転移温度の回帰では、ベイナイトを除く全ての相にわたって平均絶対誤差(MAE)が20 °C以下に達し、これは27 °CのMAEよりもわずかに高い値を示す。 このフレームワークは、追加の汎用的でカスタマイズされたMLモデルで拡張することができ、熱処理のためのユニバーサルデジタルツインプラットフォームを確立することができる。 補完的なシミュレーションツールや対象とする実験との統合は、さらに加速された材料設計ワークフローをサポートする。

関連論文リスト

• On The Finetuning of MLIPs Through the Lens of Iterated Maps With BPTT [40.134801761022324]
  構造緩和のためのMLIPのトレーニングには、第一原理計算力を再現するためのトレーニングモデルが含まれる。 本稿では,事前訓練したMLIP上で使用する微細チューニング手法を提案する。 本手法は,事前学習モデルに適用した場合,かなりの性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-11-30T20:34:37Z)
• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• Large language models, physics-based modeling, experimental measurements: the trinity of data-scarce learning of polymer properties [10.955525128731654]
  大規模言語モデル(LLM)は、評価、分析、設計のための高速で正確な物質モデリングパラダイムとして約束される。 データ不足の病理に対処する物理ベースのトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-07-03T02:57:40Z)
• LatticeML: A data-driven application for predicting the effective Young Modulus of high temperature graph based architected materials [0.0]
  この研究は、データ駆動型アプリケーションであるLatticeMLを、高温グラフベースの構造化材料の有効ヤング率を予測するためのものである。 この研究は、Ti-6Al-4VとInconel 625の2つの高温合金を用いたグラフベースの格子構造について考察した。 機械学習フレームワークは、データ収集、前処理、回帰モデルの実装、最高のパフォーマンスモデルの導入を含む、YoungのModulusを予測するために開発された。
  論文  参考訳（メタデータ） (2024-04-15T05:50:46Z)
• Quantum-informed simulations for mechanics of materials: DFTB+MBD framework [40.83978401377059]
  本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
  論文  参考訳（メタデータ） (2024-04-05T16:59:01Z)
• A hybrid machine learning framework for clad characteristics prediction in metal additive manufacturing [0.0]
  金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。 MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。 機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
  論文  参考訳（メタデータ） (2023-07-04T18:32:41Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• 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)
• 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。