将物理机制耦合入机器学习以预测高温合金性能
材料科学
2020-09-04 v2 计算物理
摘要
高温合金设计需要同时考虑不同尺度下的多种机制。我们提出了一种将高度相关的物理机制耦合入机器学习（ML）的工作流，以预测复杂高温合金的性能，并以9-12 wt.% Cr钢的屈服强度为例。我们将捕捉微观结构与相变的合成合金特征纳入数据集。通过相关性分析识别出的影响9Cr屈服强度的高影响特征与普遍接受的强化机制吻合良好。作为验证过程的一部分，子数据集相对于温度的一致性已被广泛评估，并针对训练所得ML模型的边界条件进行了细化。使用ML模型预测的9Cr钢屈服强度与实验结果高度一致。当前方法在探究训练所得ML模型以预测假设合金性能时引入了具有物理意义的约束，可应用于数据驱动的材料研究。
引用
@article{arxiv.2004.05424,
title = {Coupling Physics in Machine Learning to Predict Properties of High-temperatures Alloys},
author = {Jian Peng and Yukinori Yamamoto and Jeffrey A. Hawk and Edgar Lara-Curzio and Dongwon Shin},
journal= {arXiv preprint arXiv:2004.05424},
year = {2020}
}