形状记忆合金多目标成分设计中无导数与基于梯度的最小化方法比较
机器学习
2025-08-21 v1 材料科学
最优化与控制
摘要
设计既能满足性能目标又保持经济实惠和可持续性的形状记忆合金（SMA）是一项复杂的挑战。在这项工作中，我们专注于优化SMA成分，以在最小化成本的同时实现所需的马氏体相变开始温度（Ms）。为此，我们使用机器学习模型作为代理预测器，并应用数值优化方法来搜索合适的合金组合。我们使用一个包含实验表征合金和物理信息特征的数据集，训练了两种类型的机器学习模型：基于树的集成模型和神经网络。基于树的模型与无导数优化器（COBYLA）配合使用，而能够提供梯度信息的神经网络则与基于梯度的优化器（TRUST-CONSTR）配对。我们的结果表明，尽管两种模型预测Ms的精度相似，但与神经网络配对的优化器能更一致地找到更优解。COBYLA常常收敛到次优结果，尤其是在初始猜测远离目标时。TRUST-CONSTR方法表现出更稳定的行为，并且更擅长找到同时满足两个目标的合金成分。本研究展示了一种通过结合物理信息数据、机器学习模型和优化算法来探索新型SMA成分的实用方法。尽管我们的数据集规模小于基于模拟的工作，但使用实验数据提高了预测的可靠性。该方法可扩展到其他需要在有限数据下进行设计权衡的材料。
引用
@article{arxiv.2508.14127,
title = {Comparison of derivative-free and gradient-based minimization for multi-objective compositional design of shape memory alloys},
author = {S. Josyula and Y. Noiman and E. J. Payton and T. Giovannelli},
journal= {arXiv preprint arXiv:2508.14127},
year = {2025}
}