文献

J-GLOBAL ID：202102271766062972   整理番号：21A3312830

金属ガラス形成能を予測するための分子動力学特性温度【JST・京大機械翻訳】

Molecular dynamic characteristic temperatures for predicting metallic glass forming ability

著者 (4件)： Schultz Lane E. (University of Wisconsin-Madison, 1500 engineering Drive, Madison, WI 53706, USA) ,  Afflerbach Benjamin (University of Wisconsin-Madison, 1500 engineering Drive, Madison, WI 53706, USA) ,  Szlufarska Izabela (University of Wisconsin-Madison, 1500 engineering Drive, Madison, WI 53706, USA) ,  Morgan Dane (University of Wisconsin-Madison, 1500 engineering Drive, Madison, WI 53706, USA)
資料名： Computational Materials Science  (Computational Materials Science)
巻： 201  ページ： Null  発行年： 2022年 
JST資料番号： W0443A  ISSN： 0927-0256  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 金属ガラス成形能力(GFA)の側面を予測するために,分子動力学に由来する特性温度の使用を調べた。自己拡散,粘度,およびエネルギーの冷却曲線から得た温度をGFAの機械学習モデルの特徴として用いた。これらの特徴を有する多重ターゲットとモデル組合せを調査した。最初に,臨界鋳造厚さ,log_10(D_max)の対数を,ターゲットとして,そして,21の組成物に関する訓練回帰モデルを用いた。21log_10(D_max)合金に関する3倍交差検証の適用は,モデル予測と目標値の間に弱い相関を示した。第2に,合金のGFAを溶融紡糸または吸引鋳造非晶質化挙動によって定量化し,合成後に結晶相を示す合金を,不良GFAとして分類し,純非晶質相を良好なGFAとして分類した。次に,ディシジョンツリーベースの方法(ランダムフォレストと勾配ブースティングモデル)を用いて,二値GFA分類をモデル化し,ネストクロス検証で評価した。ポジティブクラスとしてのGood Glasg Forming Abilityを有する精度-recallの最大F1スコアは,最良モデルタイプに対して0.82±0.01であった。また,温度自体の代わりに特徴温度の簡単な関数を用いて比較し,予測能力に統計的に有意な差は見られなかった。ここで開発したモデルの予測能力は適度であるが,本研究は,金属ガラス形成能力を予測するために,分子動力学シミュレーションと機械学習を使用できることを明確に示した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 合金 ,  粘度 ,  鋳造 ,  溶融紡糸 ,  臨界 ,  多重化 ,  真空鋳造 ,  ディシジョンツリー ,  回帰モデル ,  対数 ,  *分子動力学 ,  機械学習 ,  *金属ガラス ,  アモルファス化
準シソーラス用語： *ガラス形成能 , 【Automatic Indexing@JST】

著者キーワード (5件)： 金属ガラス ,  特性温度 ,  機械学習 ,  ガラス形成能 ,  臨界鋳造直径

分類 (1件)： 非晶質金属の構造  (BK04020D)

タイトルに関連する用語 (3件)： ガラス形成能 ,  予測 ,  分子動力学