From microstructure to mechanical properties: Image-based machine learning prediction for AZ80 magnesium alloy
Notice bibliographique
Résumé
Recent advancements in machine learning and computer vision enable direct prediction of mechanical properties from microstructure images. The feasibility of this process hinges on the material structure-property relationship, richness of the dataset, and the choice of machine learning approach. This study investigates the application of a deep learning model to directly predict the yield strength (YS), ultimate tensile strength (UTS), and true stress-strain curve of the cast-forged AZ80 alloys from SEM microstructure images. We manufactured 27 cast-forged AZ80 magnesium alloy components using varied process parameters, creating a diverse dataset of AZ80 microstructures and mechanical properties through their characterization. In addition to predicting magnesium alloy properties, we address challenges related to data imbalance, brightness and contrast variability, and microstructure long-range heterogeneity. We demonstrate that synthetic data oversampling using a denoising diffusion probabilistic model effectively improves the model’s prediction accuracy via balancing the minority classes. A rigorous analysis of the model’s performance shows that the model accurately predicts the YS, UTS, and Ramberg-Osgood equation’s parameters ( K and n ). In image-out validation, the model achieves average percentage errors of 2.10 % (YS), 2.15 % (UTS), 1.50 % ( K ), and 5.47 % ( n ). In class-out validation, the errors are 6.27 %, 9.58 %, 4.69 %, and 10.24 %, respectively.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».