Interpretable machine learning excavates a low-alloyed magnesium alloy with strength-ductility synergy based on data augmentation and reconstruction
Notice bibliographique
Résumé
• This work proposed an interpretable ML method based on data augmentation and reconstruction. • The model's prediction accuracy exceeded 95 % (R 2 ) for UTS and EL. • A new as-extruded MZAX2000 alloy with a strength-ductility synergy was developed. • Heterogeneous fibrous structure acted a crucial role in enhancing the strength and ductility of low-alloyed mg alloys. The application of machine learning in alloy design is increasingly widespread, yet traditional models still face challenges when dealing with limited datasets and complex nonlinear relationships. This work proposes an interpretable machine learning method based on data augmentation and reconstruction, excavating high-performance low-alloyed magnesium (Mg) alloys. The data augmentation technique expands the original dataset through Gaussian noise. The data reconstruction method reorganizes and transforms the original data to extract more representative features, significantly improving the model's generalization ability and prediction accuracy, with a coefficient of determination (R 2 ) of 95.9 % for the ultimate tensile strength (UTS) model and a R 2 of 95.3 % for the elongation-to-failure (EL) model. The correlation coefficient assisted screening (CCAS) method is proposed to filter low-alloyed target alloys. A new Mg-2.2Mn-0.4Zn-0.2Al-0.2Ca (MZAX2000, wt%) alloy is designed and extruded into bar at given processing parameters, achieving room-temperature strength-ductility synergy showing an excellent UTS of 395 MPa and a high EL of 17.9 %. This is closely related to its hetero-structured characteristic in the as-extruded MZAX2000 alloy consisting of coarse grains (16 %), fine grains (75 %), and fiber regions (9 %). Therefore, this work offers new insights into optimizing alloy compositions and processing parameters for attaining new high strong and ductile low-alloyed Mg alloys.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».