Hardness prediction in the upsetting process of Al%ZrO<sub>2</sub>—an approach to machine learning using regression and classification models
Notice bibliographique
Résumé
The current study focuses on the prediction of metal hardness distribution in upsetting tests for different compositions of ZrO2 embedded with an aluminum matrix using machine learning algorithms and finite element (FE) analysis. The mass fraction of the ZrO2 particles varied from 4% to 8%, and three sets of solid cylindrical rods with Al4%ZrO2, Al6%ZrO2, and Al8%ZrO2 were prepared using the stir casting method. The upsetting process was simulated, and an equation for predicting hardness was developed from the equivalent strain distributions. Artificial neural networks (ANNs), multilinear regression (MLR) along with equations developed from FE analysis were used to train the model for regression analysis, considering the principal stresses, friction factor, anisotropy ratio, effective strain, and hoop strain as input and the magnitude of hardness as output parameters. Regression analysis reveals that ANN (tri-layer network), XGBoost, and MLR algorithms are the best suitable for the given data sets with a root mean square ( R2) greater than 0.95. XGBoost, ANN (narrow), and SVM are linear and are the most recommendable classifier algorithms for the current investigation. Hardness data from ring compression tests were used to validate the results obtained from the trained models with the test results.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».