Machine learning approach to the assessment and prediction of solid particle erosion of metals
Notice bibliographique
Résumé
Solid particle erosion (SPE) is a tribological phenomenon in which a surface is impacted by a stream of particles, causing gradual removal of material. This poses significant challenges in aerospace, particularly when operating in harsh environments. Despite decades of data gathering and empirical model development, accurately predicting SPE remains challenging due to the complexity of the phenomenon and the variability in testing conditions. In this study, we compiled a database of over 1,000 erosion tests on metals from existing studies and internal experiments, noting material properties, test conditions, and literature metadata. Machine learning (ML) models, including Random Forest, Neural Networks, Support Vector Regression, and XGBoost were employed to predict erosion rates. XGBoost was most performant, achieving a mean absolute error of 15-16% on test data. Model performance was further validated by predicting results published in the ASTM G76 standard; predictions were within the interlaboratory standard deviation for tests at 70 m/s. Feature importance and partial dependence plots were used to evaluate the influence of different variables on erosion predictions. While particle velocity, particle size, and impact angle show the expected influence, features such as target density and Poisson’s ratio showed exaggerated effects due to their role in classifying outlier materials. These results show the promise of ML for SPE prediction across a range of conditions and suggest that the broader erosion literature is valuable for quantitative predictions, while also acknowledging limitations in the ML approach, particularly where data sparsity and feature correlations hinder the accurate assessment of feature influence.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».