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
Frank给跳跃仙人掌的求助进行了留言
刚刚
所所应助hhl采纳,获得10
1秒前
orixero应助是小袁呀采纳,获得10
2秒前
Kawhichan完成签到,获得积分10
2秒前
3秒前
科研小白完成签到,获得积分10
5秒前
木棉完成签到,获得积分10
5秒前
赘婿应助Xdz采纳,获得10
6秒前
852应助Disci采纳,获得10
7秒前
sunphor完成签到 ,获得积分10
8秒前
8秒前
Niki完成签到,获得积分10
10秒前
鲁棒的砰砰砰完成签到,获得积分10
10秒前
赘婿应助东方雨季采纳,获得10
12秒前
12秒前
牛牛完成签到,获得积分20
12秒前
14秒前
最佳完成签到 ,获得积分10
14秒前
14秒前
14秒前
图样图森破完成签到,获得积分10
16秒前
又见三皮发布了新的文献求助30
18秒前
Xdz发布了新的文献求助10
18秒前
无私诗云发布了新的文献求助10
19秒前
20秒前
ZhenpuWang完成签到,获得积分10
22秒前
22秒前
任性青烟完成签到,获得积分10
22秒前
22秒前
23秒前
背后归尘完成签到,获得积分10
25秒前
27秒前
28秒前
29秒前
30秒前
34秒前
清爽的真完成签到,获得积分10
35秒前
NZH发布了新的文献求助10
36秒前
自建完成签到,获得积分10
39秒前
贪玩的雁凡完成签到,获得积分10
40秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
A Dissection Guide & Atlas to the Rabbit 500
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 3082501
求助须知:如何正确求助?哪些是违规求助? 2735655
关于积分的说明 7538441
捐赠科研通 2385263
什么是DOI,文献DOI怎么找? 1264761
科研通“疑难数据库(出版商)”最低求助积分说明 612786
版权声明 597665