用于建模高温合金温度依赖屈服强度的基于物理的机器学习方法
应用物理
2022-12-01 v1 材料科学
摘要
在开发具有改进性能的高温合金以满足下一代能源和航空航天需求的追求中，集成计算材料工程（ICME）发挥了至关重要的作用。本文提出了一种机器学习（ML）方法，能够利用双线性对数模型预测高温合金的温度依赖屈服强度。重要的是，该模型引入了参数断裂温度 ，作为操作条件的上边界，以确保可接受的机械性能。与传统的黑盒方法不同，我们的模型基于底层基础物理学，并直接内置于模型中。我们提出了一种全局优化技术，允许在低温和高温状态下对模型参数进行同步优化。所呈现的结果扩展了先前关于高熵合金的工作，并进一步支持了双线性对数模型及其在建模高温合金以及高熵合金的温度依赖强度行为方面的适用性。
引用
@article{arxiv.2211.16576,
title = {Physics-Based Machine Learning Approach for Modeling the Temperature-Dependent Yield Strength of Superalloys},
author = {Baldur Steingrimsson and Xuesong Fan and Benjamin Adam and Peter K. Liaw},
journal= {arXiv preprint arXiv:2211.16576},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2207.05171