Những tiến bộ gần đây trong khoa học vật liệu đã nhấn mạnh tầm quan trọng của việc hiểu các thành phần kim loại bị ảnh hưởng như thế nào dưới sự căng thẳng một trong những yếu tố quan trọng ảnh hưởng đến sự thất bại là hành vi của các ranh giới ngũ cốc trong cấu trúc kim loại thất bại tại những giao diện vi mô này có thể cải thiện đáng kể tính bền vững và sự an toàn của các thành phần kỹ thuật

Thử thách của sự thất bại của kết giới Grain-Driven

Các vùng này thường là điểm đầu tiên của các vết nứt và thất bại, đặc biệt là dưới sự căng thẳng cao. phương pháp tiên đoán thất bại dựa vào mô hình thực nghiệm và thử nghiệm phá hủy, mà là tốn thời gian và hạn chế trong phạm vi.

Vai trò của máy học dự đoán

Máy học (ML) đưa ra một lựa chọn đầy hứa hẹn bằng cách phân tích các bộ dữ liệu lớn để xác định các mẫu hình trước khi thất bại. bằng cách đào tạo các thuật toán về dữ liệu từ thí nghiệm và mô phỏng, các nhà nghiên cứu có thể phát triển mô hình dự đoán mà ước tính khả năng thất bại dựa trên các đặc tính biên giới hạt gạo.

Bộ sưu tập dữ liệu và tính năng

Mô hình ML hiệu quả cần dữ liệu toàn diện, bao gồm:

  • Hướng giới hạn Grain
  • Năng lượng giới hạn
  • Phân phối căng thẳng địa phương
  • Điều kiện nhiệt độ
  • Thành phần vật chất

Dùng kỹ thuật máy

Các thuật toán ML khác nhau được sử dụng như:

  • Hỗ trợ máy tính xách tay (SVM)
  • Rừng Ngẫu nhiên
  • Mạng thần kinh
  • Gradient

Lợi ích và triển vọng trong tương lai

Sử dụng máy học để dự đoán thất bại biên giới hạt có thể dẫn đến:

  • Thiết kế vật liệu tăng cường
  • Chương trình bảo trì ngăn chặn
  • Giảm tỷ lệ thất bại
  • Name

Những nghiên cứu đang tiếp tục nhằm tinh luyện những mô hình này, tổng hợp dữ liệu phức tạp hơn và kiểm tra thời gian thực khi kỹ thuật ML tiến hóa, sự kết hợp của chúng vào các vật liệu kỹ thuật hứa hẹn cách mạng hóa cách chúng ta dự đoán và ngăn chặn sự thất bại trong các thành phần kim loại.