
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种基于物理规则化的机器学习方法用于预测合金的时效温度转变曲线:以铀基合金为应用案例
《Scientific Reports》:A physics-regularized machine learning approach for predicting time-temperature-transformation curves in alloys: application to uranium-based alloys
【字体: 大 中 小 】 时间:2026年06月13日 来源:Scientific Reports 3.9
编辑推荐:
摘要本文提出了一种基于物理约束的机器学习方法,用于根据铀基体系中的合金成分预测时间-温度-转变图。为在保持预测准确性的同时确保C曲线的物理合理性,对四种损失函数进行了系统评估:(1)基准均值平方误差;(2)结合半经验成核模型对均值平方误差进行约束;(3)通过形状约束确保C曲线具有
本文提出了一种基于物理约束的机器学习方法,用于根据铀基体系中的合金成分预测时间-温度-转变图。为在保持预测准确性的同时确保C曲线的物理合理性,对四种损失函数进行了系统评估:(1)基准均值平方误差;(2)结合半经验成核模型对均值平方误差进行约束;(3)通过形状约束确保C曲线具有适当的凸性;(4)将半经验约束与形状约束相结合并辅以均值平方误差的混合方法。采用形状约束损失函数的模型所生成的TTT预测结果具有符合物理规律的C曲线形态,且与实验测得的等温转变数据高度吻合。通过全局特征重要性和偏依赖图进行事后模型分析,发现随着损失函数的不同,模型所学到的成分与TTT之间的关系会发生系统性变化。最终采用的优化后的机器学习模型为混合损失函数类型,该模型被应用于此前未被研究的U-Mo-X三元体系。分析表明,U-Mo-Pt、U-Mo-Au、U-Mo-Ta、U-Mo-W和U-Mo-Fe这几种合金在等温状态下抵抗\(\gamma\)相向\(\alpha\)相转变的动力学稳定性优于U-Mo二元体系。此外,还将优化后的机器学习模型所得的TTT转变起始时间预测结果与采用均值平方误差损失的高斯过程回归模型预测结果进行了比较。这种基于物理约束的机器学习框架有望加速铀基体系的合金研发进程,因为传统的TTT实验测定方法耗时且需要大量资源。
生物通微信公众号