Triboinformatics Approach for Friction and Wear Prediction of Al-Graphite Composites Using Machine Learning Methods

摩擦学 材料科学 石墨 复合材料 极限抗拉强度 机器学习 支持向量机 碳化硅 计算机科学
作者
Md Syam Hasan,Amir Kordijazi,Pradeep K. Rohatgi,Michael Nosonovsky
出处
期刊:Journal of tribology [ASME International]
卷期号:144 (1) 被引量:68
标识
DOI:10.1115/1.4050525
摘要

Abstract Data-driven analysis and machine learning (ML) algorithms can offer novel insights into tribological phenomena by establishing correlations between material and tribological properties. We developed ML algorithms using tribological data available in the literature for predicting the coefficient of friction (COF) and wear-rate of self-lubricating aluminum graphite (Al/Gr) composites. We collected data on effects of material variables (graphite content, hardness, ductility, yield strength, silicon carbide content, and tensile strength), processing procedure, heat treatment and tribological test variables (normal load, sliding speed, and sliding distance) on tribological properties and established two-parameter relationships. These data are analyzed using several ML algorithms: artificial neural network (ANN), K nearest neighbor (KNN), support vector machine (SVM), gradient boosting machine (GBM), and random forest (RF). The trained ML models can predict the tribological behavior from material variables and test conditions, beyond what is possible from two-parameter correlations. GBM outperformed other ML algorithms in predicting friction behavior, while RF had the best prediction of the wear behavior. ML analysis identified graphite content and hardness and as the most significant variables in predicting the COF, while graphite content and sliding speed were the most dominant variables for wear-rates.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
打打应助987654采纳,获得10
刚刚
罗博超发布了新的文献求助10
刚刚
Singularity应助ZENGYUNQUAN采纳,获得10
1秒前
跳跃梦岚完成签到,获得积分20
4秒前
4秒前
CarlesEcho发布了新的文献求助10
5秒前
八乙基环辛四烯完成签到,获得积分10
6秒前
yikiheting发布了新的文献求助10
7秒前
宁祚完成签到,获得积分10
7秒前
红鱼发布了新的文献求助10
8秒前
迷恋应助ximuye采纳,获得10
9秒前
雪村完成签到,获得积分20
10秒前
11秒前
打打应助song采纳,获得10
13秒前
13秒前
lj发布了新的文献求助50
14秒前
顾矜应助求知的周采纳,获得10
14秒前
听风完成签到,获得积分10
15秒前
充电宝应助荭筱葒采纳,获得10
15秒前
彭于晏应助科研通管家采纳,获得10
15秒前
大锤应助科研通管家采纳,获得10
15秒前
大模型应助科研通管家采纳,获得10
16秒前
研友_VZG7GZ应助科研通管家采纳,获得10
16秒前
跳跃梦岚发布了新的文献求助30
16秒前
SciGPT应助科研通管家采纳,获得10
16秒前
大锤应助科研通管家采纳,获得10
16秒前
FashionBoy应助科研通管家采纳,获得10
16秒前
orixero应助科研通管家采纳,获得10
16秒前
pride应助科研通管家采纳,获得10
16秒前
英俊的铭应助科研通管家采纳,获得10
16秒前
852应助科研通管家采纳,获得10
16秒前
领导范儿应助科研通管家采纳,获得10
16秒前
我是老大应助科研通管家采纳,获得10
16秒前
今后应助科研通管家采纳,获得10
17秒前
科研通AI2S应助科研通管家采纳,获得10
17秒前
Lucas应助科研通管家采纳,获得10
17秒前
领导范儿应助科研通管家采纳,获得10
17秒前
连又发布了新的文献求助10
17秒前
SciGPT应助growing采纳,获得10
17秒前
18秒前
高分求助中
Sustainability in Tides Chemistry 2800
Shape Determination of Large Sedimental Rock Fragments 2000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
A Dissection Guide & Atlas to the Rabbit 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3132768
求助须知:如何正确求助?哪些是违规求助? 2783885
关于积分的说明 7764141
捐赠科研通 2439062
什么是DOI,文献DOI怎么找? 1296626
科研通“疑难数据库(出版商)”最低求助积分说明 624651
版权声明 600751