通过构建机器学习模型和高通量计算手段,可以高效快速地从海量化合物中筛选出高稳定性的四元h-MAB相,并通过理论计算分析其剥离成为双金属i-MBene的潜力。这不仅提高了发现效率,还为实验获得双金属i-MBene提供了理论指导,从而进一步探索和...
我们有理由相信，在不久的将来，机器学习辅助的增材制造金属材料疲劳寿命预测技术将得到广泛应用，为生物医学、航空航天等领域的创新发展提供有力支撑。让我们共同期待这一天的到来！
机器学习在金属3D打印中有许多应用,可以提高金属3D打印的效率、准确性和可靠性。以下是一些常见的应用: 预测打印参数:机器学习可以帮助确定打印金属的最佳参数,例如激光功率、扫描速度和材料密度。这可以提高打印的效率,并减少失败率。 检测缺陷:机器学习可以用于检测金属3D打印中的缺陷,例如裂纹、气孔和孔洞。通过监测并...
机器学习在金属材料中的一个重要应用是材料性能预测。通过收集大量的金属材料相关数据,如成分、工艺参数、性能测试结果等,并利用机器学习算法对这些数据进行分析和建模,可以建立起材料性能与各种影响因素之间的定量关系。例如,利用回归算法可以预测某种合金在特定加工条件下的强度、硬度等性能指标,为材料的设计和优化提供有...
【关键词】 金属有机骨架;机器学习;高通量筛选;分子模拟;吸附 0 引言 多孔材料由相互贯通或封闭的孔洞构成网络状结构,传统的多孔材料包括活性炭、沸石、分子筛等,是常见的吸附剂类别。近年来,金属有机骨架(Metal-organic Frameworks,MOFs)、共价有机骨架...
图2.在不同尺度上辅助机器学习的金属离子电池开发方案 图3. (a)深度神经网络的架构;(b)特征向量的主成分分析;(c)锌离子电池的预测电压和目标电压;(d)基于机器学习、密度泛函理论和实验中新型KxMnO2阴极发现和设计的示意图。 图4. (a)通过机器学习引导的材料搜索和随机搜索下预测室温电导率的归一化直方图;(b)...
一、机器学习在金属材料性能预测中的应用 金属材料性能的预测一直以来都是材料研究中的重要工作。然而,传统的实验方法费时费力,成本高,难以实现对大量数据的处理和分析。因此,机器学习在金属材料性能预测方面的应用能够解决这一问题,大大提高了预测效率和精度。 例如,对于金属材料的疲劳寿命预测,传统的方法需要进行大量的...
对此，北京航空航天大学孙志梅团队基于高通量智能计算平台（ALKEMIE），开发了一个小数据集的机器学习方法来探索M2AB2的稳定性。作者构建了3个M2AB2晶体结构数据集，研究不同结构和组分特征对稳定性的影响，研究成果扩展了MAB系列材料，并提供了一种基于小数据集的机器学习方法来预测新化合物。 结果与讨论 DFT和ML的...
异构金属材料因其特殊的微观结构,在具有较高强度的同时仍然能保持良好的韧性,但是复杂的结构参数使其性能预测和结构设计变得非常困难。机器学习(ML)在处理高维物理量之间的复杂非线性关系方面表现出强大的能力,从而成为异构金属材料性能预测和结构设计的有力工具。介绍了异构金属材料的特征,总结了ML算法及其相关的数据处理...
强度的预测和模拟可以成为设计新材料的重要工具。机器学习算法可以帮助解决这个问题。 有很多不同的机器学习算法都可以用于金属材料的强度预测。其中一种常见的算法是神经网络。通过神经网络可以进行强度预测,并且这个算法可以从数据中学习和优化模型。 为了使用神经网络进行强度预测,需要采集一系列金属材料的数据。这些数据...