基于热脱附光谱实验的氢捕获参数特征化的神经网络机器学习方法
机器学习
2025-08-06 v1 计算工程、金融与科学
化学物理
摘要
金属合金的氢捕获行为通常使用热脱附光谱(TDS)进行特征化。然而,作为间接方法,从关键参数(捕获结合能和密度)提取仍是一个重大挑战。为此,本 work 引入一种基于机器学习的方案,用于从TDS光谱中识别参数。开发了一个多神经网络(NN)模型,仅使用合成数据进行训练,以直接从实验数据预测捕获参数。该模型由两个多层全连接前馈NN组成,用反向传播进行训练。第一个网络(分类模型)预测不同捕获类型的数量。第二个网络(回归模型)随后预测相应的捕获密度和结合能。对NN架构、超参数和数据预处理进行优化,以最小化训练数据的需求。该提议模型在应用于不同组成的三种淬火马鹰钢时 demonstrated strong predictive capabilities。开发的代码已 freely 提供。
引用
@article{arxiv.2508.03371,
title = {A neural network machine-learning approach for characterising hydrogen trapping parameters from TDS experiments},
author = {N. Marrani and T. Hageman and E. Martínez-Pañeda},
journal= {arXiv preprint arXiv:2508.03371},
year = {2025}
}