Critical Factors Governing the Frictional Coefficient in <scp>Mg</scp> Alloys—Learn From Machine Learning
Notice bibliographique
Résumé
ABSTRACT Data‐driven methods are emerging as a promising approach in discovering the correlation between tribological properties, composition, and mechanical properties of engineering materials. In the present study, the capability of several ML models in predicting the coefficient of friction (COF) of magnesium alloys is studied. To this end, first 1400 data points are extracted from prior studies through an extensive literature review. The collected data is then used to train models for the following two scenarios: (i) COF prediction using composition, processing parameters, and tribological variables; (ii) COF prediction using mechanical properties (hardness, yield strength, ultimate tensile strength, ductility, and elastic modulus), and tribological variables. After preprocessing, the data is partitioned into train and test datasets where the train dataset is used for model training and hyperparameter tuning, K‐fold cross‐validation, and the test dataset is used for evaluating the best trained models. The results indicate that light gradient boosting (LGBM) accurately predicts COF of magnesium alloys using the processing procedure, heat treatment, alloy composition, and tribology variables with an R‐squared value of 0.89. Further, the gradient boosting method (GBM) achieves an R‐squared score of 0.87 for predicting the COF using mechanical properties and tribological variables, showing a promising performance. In addition, a comparative analysis between alloying elements, manufacturing process, heat treatment, mechanical properties, and tribological test variables is performed using feature importance in the trained random forest (RF) models. Our findings highlight the importance of normal load, elastic modulus, and content of Zn in determining the COF in magnesium alloys, which helps improve materials and mechanical system design for effective COF control.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».