提升材料设计实验效率：Taguchi 方法与机器学习方法的比较研究
机器学习
2025-06-05 v1
摘要
材料设计问题通常需要优化多个变量，使得全因子探索不切实际。实验设计（DOE）方法，如 Taguchi 方法，常用于高效采样设计空间，但它们本质上无法捕捉过程变量的非线性依赖。在这项工作中，我们展示了机器学习（ML）方法如何克服这些局限性。我们将 Taguchi 方法与基于主动学习的高斯过程回归（GPR）模型在电弧增材制造（WAAM）工艺中进行了比较，以准确预测熔池几何特征，包括熔深、熔宽和熔高。虽然 Taguchi 方法利用三因素五水平的 L25 正交阵列来建议焊接参数，但 GPR 模型使用了基于不确定性的探索采集函数，并结合拉丁超立方采样进行初始训练数据。两种模型的准确性和效率在 15 个测试用例上进行了评估，GPR 在两项指标上均优于 Taguchi 方法。这项工作适用于需要高效探索复杂参数的更广泛材料加工领域。
引用
@article{arxiv.2506.03910,
title = {Enhancing Experimental Efficiency in Materials Design: A Comparative Study of Taguchi and Machine Learning Methods},
author = {Shyam Prabhu and P Akshay Kumar and Antov Selwinston and Pavan Taduvai and Shreya Bairi and Rohit Batra},
journal= {arXiv preprint arXiv:2506.03910},
year = {2025}
}
备注
7 pages, 3 figures