Magnesium (Mg)-legeringar har populärt använts för att designa flyg- och fordonsdelar på grund av deras höga hållfasthet-till-vikt-förhållande. Deras biokompatibilitet och låga densitet gör också dessa legeringar idealiska för användning i biomedicinsk och elektronisk utrustning. Emellertid är Mg-legeringar kända för att uppvisa plastiskt anisotropiskt beteende. Med andra ord varierar deras mekaniska egenskaper beroende på riktningen för den applicerade belastningen.

För att säkerställa att prestandan hos dessa Mg-legeringar inte påverkas av detta anisotropa beteende, behövs en bättre förståelse för de anisotropa deformationerna och utvecklingen av modeller för deras analys.

Enligt Metal Design &Manufacturing (MEDEM) Lab ledd av docent Taekyung Lee från Pusan ​​National University, Republiken Korea, kan maskininlärning (ML) ha svar på detta förutsägelseproblem. I sitt senaste genombrott föreslog teamet ett nytt tillvägagångssätt som heter "Generative adversarial networks (GAN)-aided gated recurrent unit (GRU)."

Modellen har kraftfulla dataanalysförmågor för att exakt förutsäga de plastiska anisotropa egenskaperna hos smide Mg-legeringar. Deras arbete gjordes tillgängligt online i Journal of Magnesium and Alloys den 16 januari 2024.

"När det gäller noggrannheten av ML-förutsägelser ur datavetenskapens synvinkel insåg vi att det fanns utrymme för förbättringar. Så, till skillnad från de tidigare rapporterade metoderna för förutsägelse, utvecklade vi en ML-modell med dataökning för att uppnå precision, samt generaliserbarhet med avseende på olika laddningslägen", säger Prof. Lee och beskriver kärntanken bakom deras nya modell.

"Detta öppnade så småningom sätt för integration med en finita elementanalys för att extrahera exakt spänningsuppskattning av produkter tillverkade av metallegeringar med betydande plastisk anisotropi."

För att bygga en modell med ökad noggrannhet kombinerade teamet hela flödeskurvorna, GAN, algoritmdriven hyperparameterinställning och GRU-arkitektur, som är några av nyckelstrategierna som används inom datavetenskap. Detta nya tillvägagångssätt underlättar inlärningen av hela flödeskurvans data snarare än att vara begränsad till att träna på sammanfattade mekaniska egenskaper, som många tidigare modeller.

För att testa tillförlitligheten hos den GAN-stödda GRU-modellen utvärderade teamet den utförligt under prediktiva scenarier, allt från extrapolering, interpolation och robusthet, med datauppsättningar av begränsad storlek. När den testades uppskattade modellen det anisotropa beteendet hos ZK60 Mg-legeringar för tre belastningsriktningar och under 11 glödgningsförhållanden.

Med dessa experiment upptäckte teamet att deras modell visade betydligt bättre robusthet och generaliserbarhet än andra modeller utformade för att utföra liknande uppgifter. Denna överlägsna prestanda tillskrivs främst GAN-stödd dataförstärkning och stöds av den utmärkta extrapoleringsförmågan hos GRU-arkitektur och optimering av hyperparametrar – parametrar vars värden används för att styra inlärningsprocessen.

Därför tar denna studie prediktiv modellering bortom artificiella neurala nätverk. Det visar framgångsrikt förmågan hos ML-baserade modeller för att uppskatta de anisotropa deformationsbeteendena hos smide Mg-legeringar.

"Den övergripande prestandan och livslängden för komponenter tillverkade av Mg-legering är till stor del beroende av det plastiska anisotropiska beteendet som gör prognoser och hantering av deformationer till en viktig del av materialdesign. Vi tror att modellen kommer att hjälpa till vid design och tillverkning av metallprodukter för olika tillämpningar", avslutar prof. Lee.

Mer information: Sujeong Byun et al, Förbättrad förutsägelse av anisotropt deformationsbeteende med hjälp av maskininlärning med dataförstärkning, Journal of Magnesium and Alloys (2024). DOI:10.1016/j.jma.2023.12.007

Tillhandahålls av Pusan ​​National University