基于Al–Cu和Fe–Mn合金显微图的机器学习预测方法,用于预测固液界面性质
《ACTA MATERIALIA》:Machine-learning prediction for solid–liquid interfacial properties from micrographs in Al–Cu and Fe–Mn alloys
【字体:
大
中
小
】
时间:2026年04月02日
来源:ACTA MATERIALIA 9.3
编辑推荐:
提出基于卷积神经网络的实验方法,通过分析Al-Cu和Fe-Mn合金铸态显微图像,成功预测固液界面自由能γ?=0.135±0.019 J/m2和各向异性参数?=0.0106±0.0029(Al-Cu合金),以及γ?=0.206±0.012 J/m2和?=0.0213±0.0024(Fe-Mn合金),结果与文献值吻合。研究证实需多形态学特征耦合分析才能实现可靠预测。
樱井由纪|大野宗和
摘要
本文提出了一种通过实验方法确定固液界面自由能($\gamma_0$)和各向异性参数($\epsilon$)的方法。该方法通过将铸态微观结构的显微图像输入卷积神经网络(CNN)来预测这两个参数。该CNN专门使用定量相场模型生成的数据集进行训练,以建立界面性质与铸态微观结构模式之间的关联。为了评估这种方法的实用性,分别使用Al–3.5质量%Cu合金和Fe–14质量%Mn合金的实验显微图像对这两个参数进行了预测。预测的平均值分别为:对于Al–Cu合金,$\gamma_0 = 0.135 \pm 0.019 \, J\, m^{-2}$;对于Fe–Mn合金,$\gamma_0 = 0.206 \pm 0.012 \, J\, m^{-2}$;$\epsilon = 0.0106 \pm 0.0029$。这些结果与文献中的数值吻合良好。对大规模相场数据集的系统性分析进一步表明,只有通过多个形态学描述符的耦合变化才能可靠地推断出$\gamma_0$和$\epsilon$,这一关系被CNN的预测结果一致地再现。这些发现表明,当前方法在从微观结构观测评估固液界面性质方面既实用又具有潜力。
生物通微信公众号
生物通新浪微博
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