LatticeML：一种用于预测高温图基架构材料有效杨氏模量的数据驱动应用

Akshansh Mishra

LatticeML：一种用于预测高温图基架构材料有效杨氏模量的数据驱动应用

机器学习 2024-04-17 v2 人工智能人机交互最优化与控制应用物理

作者: Akshansh Mishra

摘要

架构材料凭借其独特的拓扑结构和几何形状，具备改变物理和力学性质的潜力。机器学习可以通过识别最优设计和预测性能来加速这些材料的设计与优化。本研究提出了 LatticeML，一种用于预测高温图基架构材料有效杨氏模量的数据驱动应用。该研究考虑了十一种图基晶格结构以及两种高温合金：Ti-6Al-4V 和 Inconel 625。使用有限元仿真计算了 2x2x2 单元格配置的有效杨氏模量。我们开发了一个机器学习框架来预测杨氏模量，包括数据收集、预处理、回归模型的实现以及部署性能最佳的模型。评估了五种监督学习算法，其中 XGBoost Regressor 取得了最高的准确度（MSE = 2.7993，MAE = 1.1521，R-squared = 0.9875）。该应用使用 Streamlit 框架创建了交互式 Web 界面，允许用户输入材料和几何参数并获取预测的杨氏模量值。

关键词

架构材料杨氏模量机器学习图基晶格结构有限元仿真 XGBoost

引用

@article{arxiv.2404.09470,
  title  = {LatticeML: A data-driven application for predicting the effective Young Modulus of high temperature graph based architected materials},
  author = {Akshansh Mishra},
  journal= {arXiv preprint arXiv:2404.09470},
  year   = {2024}
}

备注

32 pages, 11 figures

LatticeML：一种用于预测高温图基架构材料有效杨氏模量的数据驱动应用

摘要

关键词

引用

备注

相关论文