基于机器学习的难熔高熵合金设计中屈服强度-塑性权衡与不确定性量化
材料科学
2023-04-28 v1
摘要
材料科学中工艺-结构-性能关系的发展是一个重要且具有挑战性的前沿领域，有望改进材料并降低生产时间和成本。难熔高熵合金 (RHEAs) 是一类具有优异高温性能的材料。然而，由于其多组分性质，RHEAs 具有广阔的成分空间，给传统实验探索带来了挑战。在此，通过深度学习方法开发了压缩屈服强度和室温塑性的定量模型。通过多种统计验证技术进行了不确定性量化。通过收集近期文献以及合成和实验表征两种新的、未报道的 RHEAs：AlMoTaTiZr 和 Al0.239Mo0.123Ta0.095Ti0.342Zr0.201，对模型预测进行了实验验证。最后，通过应用模型可解释性，揭示了对深度学习模型的力学性能和不确定性影响最大的特征，并表明其与现有物理学和材料科学理论非常吻合。
引用
@article{arxiv.2304.13932,
title = {Yield Strength-Plasticity Trade-Off and Uncertainty Quantification for Machine-learning-based Design of Refractory High-Entropy Alloys},
author = {Stephen A. Giles and Hugh Shortt and Peter K. Liaw and Debasis Sengupta},
journal= {arXiv preprint arXiv:2304.13932},
year = {2023}
}