Redian新闻
>
Npj Comput. Mater.: 新合金设计—样本数据迁移机器学习方

Npj Comput. Mater.: 新合金设计—样本数据迁移机器学习方

科学

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

Al-Zn-Mg-Cu系(7xxx系)合金具有比强度高、耐蚀性好、成本低等优点,被广泛应用于航空航天、现代交通等领域。随着飞机、高速铁路列车等运输工具不断向高速化、轻量化方向发展,对Al-Zn-Mg-Cu合金的综合性能提出了更高的要求,导致合金中元素种类和含量越来越多,合金成分优化面临计算设计困难、实验试错优化工作量巨大等问题。经典机器学习方法可加速材料设计,但常常面临数据缺乏导致的模型泛化能力差、精度不足的问题。迁移学习是机器学习的前沿技术之一,它应用相关领域的知识(数据)可解决所研究的对象由于数据稀缺,采用经典机器学习方法难以建立泛化能力强、精度高的预测模型的问题。


来自北京科技大学北京材料基因工程高精尖创新中心的谢建新院士团队,采用样本数据迁移机器学习方法,在极少量数据的情况下,开发了适用于新型超强高韧铝合金E2的时效工艺制度(T66R工艺),实现了E2合金强塑性的同步提升。与采用经典的T6处理工艺相比,T66R工艺可以同时提高E2合金试样的抗拉强度和断后伸长率,分别从715±6 MPa和8.4±0.4%提升到767±6 MPa和13.4±0.5%。组织表征结果表明,T66R优化工艺处理后的E2合金试样中微米级未溶相降低了一个数量级,且析出相更加细小弥散、更接近球形,数密度提升了50%以上。细小的球形析出相使得合金中位错的主要运动方式,由Orowan绕过机制转变为切过机制,合金的强度和塑性同步提升。研究表明,迁移现有合金数据与知识用于设计新合金是一种有效的方法,所开发合金对飞机、高速铁路列车等高端装备的轻量化具有重要意义。


该文近期发表于npj Computational Materials 9,: 26 (2023)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。



A rapid and effective method for alloy materials design via sample data transfer machine learning


Jiang Lei, Zhang Zhihao, Hu Hao, He Xingqun, Fu Huadong & Xie Jianxin 


One of the challenges in material design is to rapidly develop new materials or improve the performance of materials by utilizing the data and knowledge of existing materials. Here, a rapid and effective method of alloy material design via data transfer learning is proposed to efficiently design new alloys using existing data. A new type of aluminum alloy (E2 alloy) with ultra strength and high toughness previously developed by the authors is used as an example. An optimal three-stage solution-aging treatment process (T66R) was efficiently designed transferring 1053 pieces of process-property relationship data of existing AA7xxx commercial aluminum alloys. It realizes the substantial improvement of strength and plasticity of E2 alloy simultaneously, which is of great significance for lightweight of high-end equipment. Meanwhile, the microstructure analysis clarifies the mechanism of alloy performance improvement. This study shows that transferring the existing alloy data is an effective method to design new alloys.


Fig. 3 Material discovery through C1, R2, and R7 models established by AlphaMat.


扩展阅读

 
Npj Comput. Mater.: 材料信息学门槛高,AlphaMat带你找门道!
Npj Comput. Mater.: “中心-环境”深度迁移学习—快速预测钙钛矿氧化物
Npj Comput. Mater.: 知识的力量—数据与知识的正面较量
Npj Comput. Mater.: 狸猫换太子—实现高居里温度
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
父亲节,纪念父亲Npj Comput. Mater.: “中心-环境”深度迁移学习—快速预测钙钛矿氧化物Npj Comput. Mater.: 知识的力量—数据与知识的正面较量iPhone 数据迁移的艺术与精神病人的自我修养Npj Comput. Mater.: 原子间固有的游戏规则—设计人工智能材料Npj Comput. Mater.: 材料信息学门槛高,AlphaMat带你找门道!Npj Comput. Mater.: 杂化有机-无机钙钛矿,还能开挂多久?Npj Comput. Mater.: 通用材料多目标性能协同优化主动学习方法博士申请 | 香港理工大学张晓革老师课题组招收机器学习方向博士/博后/RANpj Comput. Mater.: 一维范德华异质结很迷人,但曲率如何改变电子性质太劳神!战地恋情(九)Npj Comput. Mater.: 高兴发团队很不高兴—与电子推推拉拉,成何体统?Npj Comput. Mater.: 一叶知秋—材料科学中的小数据机器学习Npj Comput. Mater.: 相场模拟—从微观到宏观地理解和设计合金博士申请 | 上海纽约大学谭桥宇老师招收机器学习方向全奖博士/博后/RA/实习生博士申请 | 西交利物浦大学肖继民老师招收CV/机器学习方向全奖博士生Npj Comput. Mater.: 基于二维范德华异质结能带调控的平面铁电隧道结这种乱逻辑也能宇宙普适?Npj Comput. Mater.: 机器学习预测晶格热导率:快!准!汇聚机器学习发展前沿,「第十九届中国机器学习会议」即将开幕基于AI和NPU的Codec变革——VPU与NPU的协同创新两首合唱:《天边飘过故乡的云》&《秋蝉》Npj Comput. Mater.: 狸猫换太子—实现高居里温度Npj Comput. Mater.: 纵然藏她千百度,暮回首,AI把她全揭露!Npj Comput. Mater.: 超快激光的妙手真可“点石(墨)成金(刚石)”Npj Comput. Mater.: 离子介电极化率数据缺失?机器学习填补其遗憾瑕疵!会议通知 | 首届机器学习与统计会议暨中国现场统计研究会机器学习分会成立大会行乐要及时呀Npj Comput. Mater.: 高热电性能—全赫斯勒化合物博士申请 | 阿卜杜拉国王科技大学王帝老师招收机器学习方向全奖博士/硕士/博后Npj Comput. Mater.: 高通量计算—助力Heusler功能材料设计Npj Comput. Mater.: 晶格点缺陷很小,但其可能搅动世界Npj Comput. Mater.: 自旋极化—非易失电调控Npj Comput. Mater.: 阴离子基团旋转—对锂离子扩散的弱负效应Npj Comput. Mater.: 多相态氧化镓—机器学习势函数的试金石
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。