神经网络方法能有效地识别处理金属磁记忆检测数据,但要求较多的学习样本才能够保证其准确性,而金属磁记忆检测方法在检测环境准备和数据采集方面工作量较大,当神经元的数目较多时,神经网络模型训练时间也会较长。因此在训练过程中往往需要进行一些人为的参数调整。利用...
这项工作将金属3D打印过程变得可预测、可控制具有重要的价值，3D科学谷将卡耐基梅隆大学的研究人员的发现概括如下：机器学习与红外成像的结合：机器学习算法可以与红外成像技术相结合，以实时检测金属增材制造过程中的局部热量积累。这种方法可以通过分析红外图像来预测热点区域，从而为工艺优化提供数据支持。热量积累的位置：...
与经典场的相互作用囊括了各种领域的知识,例如量子化学、凝聚态物理以及高能物理。在这些领域中,磁性金属的阻挫问题吸引了不少学者的关注,因为磁性金属中的四体自旋相互作用可以稳定非共面的磁有序,从而诱导非零的贝利曲率,在转变温度下产生明显的拓扑霍尔效应。例如,f-电子磁体中存在磁场诱导的斯格明子晶体(SkXs),可以...
2.2 基于金属表面碳生长的主动机器学习模型 MLP训练始于一个包含大量碳同素异构体的训练集,这些异构体是基于一个准确且可迁移的机器学习势能模型对铜(111)表面上的碳和简单碳团簇(C1-C18)进行模拟的。 在本该研究中,GAP拟合使用了2体(2b)和3体(3b)SOAP描述符,描述碳和铜原子之间的键合相互作用性质。模型中的...
金属有机框架(MOFs)真是个神奇的材料,它们那些独特的孔隙和可调的化学性质让它们在好多领域都大有作为,比如气体储存、分离和催化等等。不过,MOFs的结构太复杂了,变化又多,这给预测它们的结构带来了不小的挑战。幸运的是,机器学习(ML)技术在这方面帮了大忙。这篇文章就是想和大家聊聊,机器学习是怎么帮助我们预测MOF...
机器学习的魔力 王皞教授课题组在研究中发现，机器学习模型可以显著提高钛合金、铝合金、钢和镍基合金等增材制造金属材料的疲劳寿命预测能力。尤其是在数据集较小且稀疏时，依然能够提供有效的预测结果。这一发现，无疑为增材制造领域注入了一剂强心针。数据集的大小和质量，对于数据驱动的机器学习模型来说至关重要。
总之,这项工作通过机器学习定制了一种新型马氏体时效钢,可在 LDED期间原位形成析出相。设计的逐层冷却沉积策略促进了高密度位错马氏体基体的形成。材料的快速析出动力学和LDED独特的原位热处理效应促进了大量纳米Ni3Ti原位异质形核。微柱压缩实验结果表明,与原料粉末相比,原位形成的Ni3Ti析出相提高了LDED打印的NMS马...
MedeA案例119:核工业金属Zr的机器学习势函数开发 1. 案例背景 金属锆(Zr)及其合金在和工业中具有广泛的应用,其变形、断裂和辐照损伤等力学性能需要在原子尺度上进行计算。其中,影响力学性能的缺陷需要借助原子间势进行分子动力学模拟,但Zr现有经验势不够完整,无法扩展到合金、氧化物和氢化物,尤其对广义层错能(GFSE)...
机器学习算法MAD3发音为“mad cubed”，是材料数据驱动设计的缩写，之所以有效，是因为金属合金是由微观的、所谓的“晶体学”晶粒组成的。总的来说，这些颗粒形成了一种纹理，使金属在某些方向上比其他方向更坚固，这一现象被研究人员称为机械各向异性。蒙特斯·德奥卡·扎皮亚因说：“我们对模型进行了训练，以了解...
在金属材料的腐蚀与防护研究中,机器学习同样具有应用价值。金属材料的腐蚀行为受到环境因素、材料成分和表面状态等多种因素的综合影响。利用机器学习算法对大量的腐蚀数据进行分析,可以建立腐蚀预测模型,提前评估金属材料在特定环境下的腐蚀风险,并为制定有效的防护措施提供参考。 然而,机器学习在金属材料领域的应用也面临一...