文献

J-GLOBAL ID：202202242235124760   整理番号：22A0414764

機械学習支援プロセス設計:パーライト鋼の変態温度のモデリングと予測【JST・京大機械翻訳】

Machine Learning-Aided Process Design: Modeling and Prediction of Transformation Temperature for Pearlitic Steel

著者 (3件)： Qiao Ling (School of Material Science and Engineering, Harbin Institute of Technology, Harbin, Heilongjiang, 150001, China) ,  Zhu Jingchuan (School of Material Science and Engineering, Harbin Institute of Technology, Harbin, Heilongjiang, 150001, China) ,  Wang Yuan (College of Information Science and Engineering, Northeastern University, Shenyang, Liaoning, 110819, China)
資料名： Steel Research International  (Steel Research International)
巻： 93  号： 1  ページ： e2100267  発行年： 2022年 
JST資料番号： A0446A  ISSN： 1611-3683  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,関連する材料記述子,オーステナイト化温度および冷却速度を用いてパーライトの変態温度を予測するために,異なる機械学習(ML)アルゴリズムを提供した。適切なモデルを探索するために,人工ニューラルネットワーク(ANN),一般化回帰ニューラルネットワーク(GRNN),動径基底関数ニューラルネットワーク(RBFNN),および極端学習機械(ELM)を含むMLモデルの予測性能を評価し,試験データセット上で比較した。適切なパラメータを迅速に見つけるために,ANNモデルの予測精度をさらに改善するために人工魚群アルゴリズム(AFSA)を適用した。識別予測性能の観点から,回帰分析は,GRNNモデルが他の学習モデルに対して良好に機能することを示した。提案モデルの優位性を検証するために,過共析組成を有するパーライト鋼のタイプを調製した。1および[数式:原文を参照]の冷却速度による連続冷却変態により,二相膨張計および顕微鏡技術を用いて,相転移温度および変態生成物を決定した。その結果,実験結果は予測結果と良く一致した。本研究は,最良の可能な微細構造を達成するためのプロセスパラメータの最適化を容易にすることができる相転移温度を予測するための信頼できるモデルを提案した。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *転移温度 ,  回帰分析 ,  学習モデル ,  ニューラルネットワーク ,  *パーライト ,  *プロセス設計 ,  *共析鋼 ,  冷却速度 ,  共析反応 ,  プロセスパラメータ ,  *機械学習
準シソーラス用語： 膨張計 ,  予測精度 , 【Automatic Indexing@JST】

著者キーワード (3件)： 機械学習 ,  パーライト鋼 ,  パーライト変態温度

分類 (1件)： 変態組織,加工組織  (WB01030N)

タイトルに関連する用語 (7件)： 機械学習 ,  支援 ,  プロセス設計 ,  パーライト鋼 ,  変態温度 ,  モデリング ,  予測