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
PDF的下载单位、IP信息已删除 (2025-6-4)

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
刚刚
柏林寒冬应助机灵铭采纳,获得10
1秒前
1秒前
细腻剑成完成签到 ,获得积分20
1秒前
Samuel98完成签到 ,获得积分10
3秒前
3秒前
3秒前
科研通AI6应助鲜艳的以寒采纳,获得10
4秒前
Yongander完成签到,获得积分20
4秒前
悦耳亦云完成签到 ,获得积分10
4秒前
冷静源智发布了新的文献求助50
4秒前
shiwei发布了新的文献求助10
6秒前
一口袋的风完成签到,获得积分10
6秒前
羽梨发布了新的文献求助10
6秒前
8秒前
9秒前
小杜完成签到,获得积分10
10秒前
10秒前
aDou完成签到 ,获得积分10
11秒前
13秒前
羽梨完成签到,获得积分10
13秒前
mumuaidafu完成签到 ,获得积分10
14秒前
14秒前
风中冰香应助cui采纳,获得10
15秒前
菩提本无树完成签到,获得积分10
15秒前
16秒前
19秒前
丘比特应助狂野的夏柳采纳,获得10
19秒前
20秒前
长情藏今完成签到,获得积分10
20秒前
Jupiter 1234发布了新的文献求助10
21秒前
22秒前
NexusExplorer应助哈哈2022采纳,获得10
22秒前
feitian201861完成签到,获得积分10
22秒前
Re完成签到,获得积分10
25秒前
26秒前
ck完成签到,获得积分10
27秒前
坦率的千柳完成签到 ,获得积分10
27秒前
lin完成签到,获得积分10
29秒前
小唐完成签到,获得积分20
31秒前
高分求助中
HIGH DYNAMIC RANGE CMOS IMAGE SENSORS FOR LOW LIGHT APPLICATIONS 1500
Constitutional and Administrative Law 1000
Microbially Influenced Corrosion of Materials 500
Die Fliegen der Palaearktischen Region. Familie 64 g: Larvaevorinae (Tachininae). 1975 500
The Experimental Biology of Bryophytes 500
Numerical controlled progressive forming as dieless forming 400
Rural Geographies People, Place and the Countryside 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 物理化学 基因 遗传学 催化作用 冶金 量子力学 光电子学
热门帖子
关注 科研通微信公众号,转发送积分 5379826
求助须知:如何正确求助?哪些是违规求助? 4504037
关于积分的说明 14017191
捐赠科研通 4412828
什么是DOI,文献DOI怎么找? 2423948
邀请新用户注册赠送积分活动 1416842
关于科研通互助平台的介绍 1394454