机器学习驱动的TPMS结构材料优化：使用模拟退火
材料科学
2024-06-11 v1 人工智能
机器学习
最优化与控制
摘要
本研究论文提出了一种通过机器学习和模拟退火（SA）优化三周期极小曲面（TPMS）结构拉伸应力的新方法。该研究评估了随机森林、决策树和XGBoost模型在预测拉伸应力方面的性能，使用了从TPMS模型有限元分析生成的数据集。目标函数最小化验证集上的负R平方值，以提高模型精度。SA-XGBoost模型优于其他模型，实现了0.96的R平方值。相比之下，SA-随机森林模型实现了0.89的R平方值，而SA-决策树模型在验证分数上表现出更大的波动。这表明SA-XGBoost模型在捕捉数据中的复杂关系方面最为有效。SA的集成有助于优化这些机器学习模型的超参数，从而增强其预测能力。
引用
@article{arxiv.2406.05142,
title = {Machine Learning-Driven Optimization of TPMS Architected Materials Using Simulated Annealing},
author = {Akshansh Mishra},
journal= {arXiv preprint arXiv:2406.05142},
year = {2024}
}
备注
25 Pages, 7 figures and 8 Tables