Local microstructure-properties model for HPVDC Aural™-2 using image analysis and machine learning
Notice bibliographique
Résumé
High-integrity die castings require controlled strength and ductility for structural applications. These properties are the product of the local microstructure of the material after die filling and solidification. In this paper, a workflow of metallographic imaging, image analysis, and machine learning is investigated to estimate the mechanical properties at specific locations in a casting based on the local microstructure. Approximately 180 tensile specimens were first extracted from high pressure vacuum die cast Aural™-2/F plates at 1.8, 3.0 and 4.7 mm thickness and tested. Cross-sectional optical micrographs were then taken close to fracture locations at different magnifications to observe the microstructure. Image analysis routines were developed and applied to systematically quantify the key microstructural characteristics that are expected to affect strength and ductility. Challenges related to sampling of multi-scale and heterogeneous material, imaging resolution, high-volume analysis automation, and statistical descriptions were addressed to seek out compromises between characterization effort and accuracy. Finally, the predictive capability of different families of machine learning algorithms was tested with the dataset of the extracted microstructural characteristics for yield strength, elongation at break, and area reduction at fracture. Feature importance was also evaluated to determine key microstructural characteristics used in correlations. This work therefore assesses the potential for local, destructive estimation of expected in-service mechanical behaviour, for instance in regions where tensile coupons cannot be extracted. Validated relationships between microstructure and properties could also eventually complement simulation-based microstructure predictions from process parameters in an integrated computational materials engineering framework for designing new, lightweight die-cast structural components.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».