مقدمه مقدماتی

پیش بینی چگالی مواد و متخلخل به سرعت و دقیق یک سنگ بنای علم مواد مدرن است.این دو خواص به طور مستقیم بر قدرت مکانیکی، عایق حرارتی، مرطوب سازی آکوستیک، قابلیت و وزن، آنها را برای برنامه های کاربردی از کامپوزیت های هسته ای به داربست های متمرکز بر تست تجربی گسترده و یا شبیه سازی های اولیه که زمان و یادگیری ماشین آلات استفاده می کنند، ارائه می دهد دقیق داده های قابل اعتماد، بسته بندی شده است: ML تمرکز دقیق پردازش داده ها را می تواند ارائه دهد:

درک چگالی و پوزه در مواد

چگالی به عنوان توده در هر حجم واحد (g / cm3 یا کیلوگرم / m3) تعریف شده است، وزن اجزای و نفوذ در غناقه، قدرت خاص، و هزینه، تراکم بالاتر اغلب با قدرت بالاتر، اما وزن بالاتر، که نامطلوب در طراحی خودرو یا عایق انرژی هوا فضا (F3) است، به طور کلی می تواند مقدار مایع را کاهش دهد و مقدار مایع را در مقادیر جامد (به طور کلی می تواند مقدار کمی از مواد جذب مایع را تحت تاثیر قرار دهد.

اندازه گیری این خواص به طور سنتی شامل pycnometry، روش Archimedes، جذب گاز (BET)، یا نفوذ جیوه، این تکنیک ها دقیق اما آهسته و نیاز به نمونه های فیزیکی است. روش های محاسباتی مانند تجزیه و تحلیل عناصر محدود یا پویایی مولکولی می تواند خواص را پیش بینی کند، اما منابع محاسباتی قابل توجه و دانش قبلی از ساختار ماشین آلات مواد را می طلبد.

تکنیک های یادگیری ماشین برای پیش بینی مالکیت

مدل های بازگشتی

از آنجا که تراکم و متخلخل ارزش های عددی مداوم هستند، الگوریتم های رگرسیون انتخاب طبیعی هستند.[۱۰] رگرسیون خطی یک پایه ساده را فراهم می کند، با فرض اینکه یک رابطه خطی بین ویژگی ها و اندازه درخت های تصادفی قابل تفسیر است، اما اغلب برای مواد پیچیده با تعاملات غیر خطی (F:2 پیش بینی کننده پشتیبان گیری پشتیبان گیری (VR) [۳] [F2] عملکرد کلی جنگل های قوی را نشان می دهد و اغلب برای کاهش داده های غیر مستقیم.

شبکه های عصبی و یادگیری عمیق

معماری های یادگیری عمیق هنگامی که داده های بزرگ در دسترس هستند (هزاران تا میلیون ها نمونه) و ویژگی ها دارای ابعاد بالاتر هستند، مانند تصاویر میکروساختار یا بردارهای ترکیب پیچیده. شبکه های عصبی پیشرفته [FLT1] (شکل های متصل) می توانند عملکردهای دلخواه داده شده به اندازه کافی نورون های پنهان و داده های پیوند داده های پیوند (F:2) را یاد بگیرند.

روش های جمع آوری

ترکیب چندین مدل اغلب دقت و ثبات را بهبود می بخشد.[۱۰] [FLT: ۱] (به عنوان مثال، جنگل تصادفی) هم تفاوت ها را کاهش می دهد؛ boosting به عنوان مثال، XGBoost، LightGBM، Catboost) با استفاده از روش های منظم داده های مخلوط (به طور معمول نمونه های متابولی).

مجموعه داده ها و مهندسی ویژگی

کیفیت و ارتباط داده های آموزشی به طور مستقیم عملکرد پیش بینی را تعیین می کند.منبع ها عبارتند از:

  • پایگاه های تجربی: مخازن مانند پروژه مواد، AFLOW، و سیستین انفورماتیک ارائه می دهد مقادیر تراکم برای هزاران ترکیبات آلی پراکنده تر است، اغلب از ادبیات در سرامیک متخلخل، فوم فلزی و پلیمر.
  • آزمایش های با نفوذ بالا: سنتز کننده و مشخصات خودکار سازی مجموعه های بزرگ لینک ترکیب، پارامترهای پردازش و خواص اندازه گیری تولید می کند.
  • برآوردها: دینامیک مولکولی یا مدل سازی فاز-field می تواند داده های تجربی را به ویژه برای تکامل منافذ در هنگام گناه یا جامد سازی تکمیل کند.

مهندسی مواد (FLT:1) داده های خام را به پیش بینی کنندگان آموزنده تبدیل می کند. دسته های کلیدی از ویژگی های چگالی و پیش بینی متخلخل عبارتند از:

  • ترکیب مفهومی: کسری عنصر، عدد اتمی، الکترونگاتیسم، شعاع اتمی، شمارش الکترونی با ارزش.
  • [[۱] [۱۰] شرایط ضروری: [[۱۰] دمای، فشار، زمان، میزان خنک کننده، اتمسفر (oxidative، بی سواد)
  • توصیفات ساختاری را می سازد: اندازه دانه، تقسیم اندازه منافذ، tortuosity (از تجزیه و تحلیل تصویر ردیابی شده است).

[[ویرایش] [[[۱]] [[۱]] [[۱]]] [۱] [۱]] [۱] [۱] [FLT-max مقیاس پذیری یا z-score] همه ویژگی ها را به همان اندازه به اشتراک می گذارد؛ تجزیه و تحلیل جزء (PCA) یا حذف عمومی، و یا حذف ورودی های غیر مرتبط با معکوس (FLT3)

آموزش مدل و اعتبار

یک خط لوله آموزش قوی برای پیش بینی های قابل اعتماد ضروری است.این جریان کار استاندارد شامل:

  1. تقسیم داده ها: 70-80٪ برای آموزش، باقی مانده برای آزمایش.استراتژید نمونه توزیع ارزش های هدف را حفظ می کند.
  2. ارزش گذاری: k-fold (معمولا 5 یا 10) یا ترک یک-یک-یک امتیاز متقابل (LOOCV) برای مجموعه داده های بسیار کوچک است.
  3. تنظیم Hypererparameter: جستجو شبکه، جستجوی تصادفی، یا بهینه سازی zi بهترین ترکیب پارامترهای مدل (به عنوان مثال، تعداد درختان در جنگل تصادفی، میزان یادگیری در XGBoost، معماری در شبکه های عصبی) را مشخص می کند.
  4. معیارهای تعدیل: به معنی خطای مطلق (MAE)، ریشه به معنای خطای مربع (RMSE)، R-squared (R2) و درصد به معنی خطای مطلق (MAPE) رایج است.

Overfit یک خطر مکرر است، به ویژه با مجموعه داده های کوچک. تکنیک های منظم سازی (L1 / L2 مجازات، افت در شبکه های عصبی) و توقف زود هنگام کمک به جلوگیری از اعتبار در داده های مستقل یا از طریق اندازه گیری تجربی خارجی آزمون نهایی از قابلیت کلی است.

برنامه های کاربردی در توسعه مواد

تاثیر عملی پیش بینی سریع تراکم و منافذ در حال حاضر در چندین حوزه قابل مشاهده است:

  • کامپوزیت های سبک وزن: یادگیری ماشین هدایت طراحی کامپوزیت های پلیمر-ماtrix با چگالی کم و قدرت خاص بالا با بهینه سازی محتوای پرکننده و پراکندگی.
  • مواد عایق حرارتی: پیش بینی منافذ کمک می کند تا یک شتاب و فوم با حرارت فوق العاده کم در حالی که حفظ یکپارچگی ساختاری.
  • سرامیک متخلخل برای تصفیه: پیش بینی دقیق منافذ، اندازه های منافذ را برای مبدل های کاتالیزوری کارآمد یا فیلترهای آب تنظیم می کند.
  • الکترودهای با ماده: الکتروشمال به طور قابل توجهی بر حمل و نقل و چگالی انرژی یون تأثیر می گذارد؛ مدل های ML می توانند معماری الکترود را پیشنهاد دهند که منافذ و ثبات مکانیکی را متعادل می کند.
  • تولید اضافی: پیش بینی زمان واقعی تراکم بخش در طول چاپ 3D اجازه می دهد تا تنظیمات پارامتر فرایند که کاهش نقص و بهبود کیفیت.

هر برنامه از سرعت ML بهره می برد: آنچه که برای هفته های آزمایشی و تروریستی استفاده می شود اکنون می تواند در عرض چند دقیقه با غربالگری کتابخانه های مجازی ترکیب ها و شرایط پردازش انجام شود.

مسیر های آینده و تکنیک های نوظهور

انتقال و یادگیری چند وظیفه

هنگامی که داده های تراکم یا منافذ برای یک خانواده مواد جدید محدود می شود، انتقال قابلیت های یادگیری از یک مجموعه داده مرتبط برای افزایش عملکرد آموخته می شود. یادگیری چند وظیفه ای پیش بینی خواص متعدد (به عنوان مثال، چگالی، modulus جوان، هدایت حرارتی) به طور همزمان، استفاده از نمایندگی های مشترک.

شبکه های عصبی شکل گرفته

تقسیم قوانین فیزیکی (به عنوان مثال، حفاظت از توده، محدودیت های ترمودینامیک) در تابع از دست دادن، سازگاری پیش بینی و توانایی برون یابی را افزایش می دهد.شبکه های عصبی فیزیکی آگاهانه (PINN) می توانند نقشه های چگالی فیزیکی قابل قبول حتی در مناطق با داده های آموزش کمپل را تولید کنند.

یادگیری فعال و آزمایش خودکار

الگوریتم های یادگیری فعال به طور غریزی مهمترین آزمایش های مربوط به انجام را انتخاب می کنند، تعداد اندازه گیری های مورد نیاز را کاهش می دهند.این رویکرد به ویژه ارزشمند است زمانی که هر آزمایش گران است، مانند سنتز با فشار بالا یا مواد کوچک.

هوش مصنوعی قابل توضیح

درک اینکه چرا یک مدل پیش بینی چگالی یا منافذ خاص برای پذیرش علمی حیاتی است.برنامه های افزودنی SHapley (SHAP) و توضیح های مدل غیرقابل پیش بینی محلی (LIME) امتیازات مهمی را ارائه می دهند، که نشان می دهد کدام عوامل ترکیب یا پردازش بیشتر بر خروجی تأثیر می گذارند.

برای مطالعه بیشتر در این روش های مدرن، این بررسی طبیعت در یادگیری ماشین در علوم مواد برای یک دیدگاه گسترده، و یا بررسی پروژه تنظیم ابزار آموزش باز و مدل های پیش آموزش و پرورش نمونه های عملی از ویژگی مهندسی و مدل می تواند در [Fkit4] مواد پیچیده [Flearn] در آن سایت های رسمی تفسیر:5.

نتیجه گیری

یادگیری ماشین به یک متحد قدرتمند در پیش بینی سریع تراکم مواد و متخلخل تبدیل شده است.با انتخاب الگوریتم های مناسب - از رگرسیون ساده به یادگیری عمیق و گروه - مهندسان و دانشمندان می توانند جایگزین آزمایش های آهسته و شبیه سازی با برآورد های نزدیک به متخلخل، موفقیت وابسته به اطلاعات دقیق، مهندسی ویژگی متفکرانه، و اعتبار دقیق است.