综述:基于AI的Si3N4陶瓷性能预测:基于图像的数据处理策略

《International Journal of Applied Ceramic Technology》:AI-Driven Properties Prediction in Si3N4 Ceramics: Image-Based and Processing Parameter Strategies

【字体: 大 中 小 】 时间:2026年05月07日 来源:International Journal of Applied Ceramic Technology 2.3

编辑推荐:

   摘要 本综述介绍了基于人工智能(AI)的方法,通过微观结构图像和工艺参数来预测氮化硅(Si?N?)陶瓷的关键性能。卷积神经网络(CNN)能够直接从微观结构图像中准确预测材料的弯曲强度、断裂韧性和介电击穿强度,其中弯曲强度

  

摘要

本综述介绍了基于人工智能(AI)的方法,通过微观结构图像和工艺参数来预测氮化硅(Si?N?)陶瓷的关键性能。卷积神经网络(CNN)能够直接从微观结构图像中准确预测材料的弯曲强度、断裂韧性和介电击穿强度,其中弯曲强度的预测精度较高,因为这一性能与可见晶粒特征有很强的相关性。断裂韧性的预测精度稍低,这反映了晶界相的影响,而这些晶界相在图像中仅被部分捕捉到。对CNN建模结果的分析显示,材料性能受到晶粒尺寸和孔隙率等属性的显著影响,表明可以区分结构特征和其他影响性能的因素。机器学习回归模型能够根据工艺条件预测热导率,并且通过引入预测的相对密度作为额外输入数据,进一步提高了预测精度。使用SHAP(Shapley Additive Explanations)方法评估了模型的可解释性,结果证实相对密度在捕捉烧结添加剂和工艺条件的综合效应方面起着关键作用。这些结果表明,AI能够整合结构信息和非结构信息,实现精准且可解释的性能预测。该方法为先进陶瓷的数据驱动材料设计和虚拟实验奠定了基础。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

作者无需报告任何相关信息。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号