基于扩展数据集与元素特征用机器学习预测金属玻璃的临界冷却速率
材料科学
2023-05-25 v1
摘要
我们使用随机森林模型，从其组成元素的特征预测各种合金形成玻璃的临界冷却速率（RC）。该随机森林模型在一个整合了金属玻璃直接和间接 RC 数据的数据库上训练，将少于 100 个值的直接测量 RC 数据库扩展为超过 2000 个值的训练集。该模型在 5 折交叉验证上的误差为 0.66 个数量级（K/s）。在按合金体系分组的留一组交叉验证中，当目标合金成分在训练数据中出现超过 500 次时，误差为 0.59 个对数单位（K/s）。利用该模型，我们对数据库中有熔体旋淬玻璃的成分集合，以及对训练数据中成分出现超过 500 次的完整四元合金集合进行预测。这些预测发现了若干潜在的新块体金属玻璃（BMG）体系以供未来研究，但该模型最适用于识别可能含有优良玻璃形成体的合金体系，而非在已知玻璃体系内详细发现块体玻璃成分区域。
引用
@article{arxiv.2305.15390,
title = {Machine Learning Prediction of Critical Cooling Rate for Metallic Glasses From Expanded Datasets and Elemental Features},
author = {Benjamin T. Afflerbach and Carter Francis and Lane E. Schultz and Janine Spethson and Vanessa Meschke and Elliot Strand and Logan Ward and John H. Perepezko and Dan Thoma and Paul M. Voyles and Izabela Szlufarska and Dane Morgan},
journal= {arXiv preprint arXiv:2305.15390},
year = {2023}
}