Application of Machine Learning to Solid Particle Erosion of APS-TBC and EB-PVD TBC at Elevated Temperatures
Notice bibliographique
Résumé
Machine learning (ML) and deep learning (DL) for big data (BD) management are currently viable approaches that can significantly help in high-temperature materials design and development. ML-DL can accumulate knowledge by learning from existing data generated through multi-physics modelling (MPM) and experimental tests (ETs). DL mainly involves analyzing nonlinear correlations and high-dimensional datasets implemented through specifically designed numerical algorithms. DL also makes it possible to learn from new data and modify predictive models over time, identifying anomalies, signatures, and trends in machine performance, develop an understanding of patterns of behaviour, and estimate efficiencies in a machine. Machine learning was implemented to investigate the solid particle erosion of both APS (air plasma spray) and EB-PVD (electron beam physical vapour deposition) TBCs of hot section components. Several ML models and algorithms were used such as neural networks (NNs), gradient boosting regression (GBR), decision tree regression (DTR), and random forest regression (RFR). It was found that the test data are strongly associated with five key factors as identifiers. Following test data collection, the dataset is subjected to sorting, filtering, extracting, and exploratory analysis. The training and testing, and prediction results are analysed. The results suggest that neural networks using the BR model and GBR have better prediction capability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».