A statistical perspective for predicting the strength of metals: Revisiting the Hall–Petch relationship using machine learning

材料科学 微观结构 微晶 随机性 粒度 概率逻辑 流动应力 压力(语言学) 背景(考古学) 机器学习 人工智能 冶金 计算机科学 统计 数学 古生物学 语言学 哲学 生物
作者
Yejun Gu,Christopher D. Stiles,Jaafar A. El‐Awady
出处
期刊:Acta Materialia [Elsevier]
卷期号:266: 119631-119631 被引量:1
标识
DOI:10.1016/j.actamat.2023.119631
摘要

The mechanical properties of a material are intimately related to its microstructure. This is particularly important for predicting mechanical behavior of polycrystalline metals, where microstructural variations dictate the expected material strength. Until now, the lack of microstructural variability in available datasets precluded the development of robust physics-based theoretical models that account for randomness of microstructures. To address this, we have developed a probabilistic machine learning framework to predict the flow stress as a function of variations in the microstructural features. In this framework, we first generated an extensive database of flow stress for a set of over a million randomly sampled microstructural features, and then applied a combination of mixture models and neural networks on the generated database to quantify the flow stress distribution and the relative importance of microstructural features. The results show excellent agreement with experiments and demonstrate that across a wide range of grain size, the conventional Hall–Petch relationship is statistically valid for correlating the strength to the average grain size and its comparative importance versus other microstructural features. This work demonstrates the power of the machine-learning based probabilistic approach for predicting polycrystalline strength, directly accounting for microstructural variations, resulting in a tool to guide the design of polycrystalline metallic materials with superior strength, and a method for overcoming sparse data limitations.
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
科研通AI2S应助浪荡胭脂马采纳,获得10
刚刚
1秒前
1秒前
2秒前
2秒前
Yharon发布了新的文献求助10
2秒前
小羊完成签到,获得积分20
3秒前
4秒前
ttt发布了新的文献求助10
5秒前
5秒前
小淘发布了新的文献求助10
5秒前
zyz完成签到,获得积分10
5秒前
LLL完成签到 ,获得积分10
6秒前
luguo发布了新的文献求助10
7秒前
情怀应助Liao采纳,获得10
7秒前
Yharon完成签到,获得积分10
7秒前
LL发布了新的文献求助10
8秒前
8秒前
8秒前
9秒前
10秒前
10秒前
11秒前
Ganlou发布了新的文献求助10
11秒前
爆米花应助科研通管家采纳,获得10
13秒前
李健应助科研通管家采纳,获得10
13秒前
科研通AI2S应助科研通管家采纳,获得10
13秒前
华仔应助科研通管家采纳,获得10
13秒前
科目三应助科研通管家采纳,获得10
13秒前
欧小嘢发布了新的文献求助10
13秒前
慕青应助科研通管家采纳,获得10
13秒前
13秒前
Ava应助科研通管家采纳,获得20
13秒前
情怀应助科研通管家采纳,获得10
13秒前
小马甲应助科研通管家采纳,获得10
13秒前
叶子国王应助科研通管家采纳,获得10
13秒前
研友_VZG7GZ应助科研通管家采纳,获得10
13秒前
思源应助科研通管家采纳,获得10
13秒前
13秒前
桐桐应助科研通管家采纳,获得10
14秒前
高分求助中
Sustainability in Tides Chemistry 2800
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
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
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 3135818
求助须知:如何正确求助?哪些是违规求助? 2786651
关于积分的说明 7778773
捐赠科研通 2442821
什么是DOI,文献DOI怎么找? 1298711
科研通“疑难数据库(出版商)”最低求助积分说明 625212
版权声明 600866