مقاله انگلیسی شتاب ساخت نمودار فازی توسط یادگیری ماشین
ترجمه نشده

مقاله انگلیسی شتاب ساخت نمودار فازی توسط یادگیری ماشین

عنوان فارسی مقاله: شتاب ساخت نمودار فازی توسط یادگیری ماشین با ترکیب قانون فازی گیبس
عنوان انگلیسی مقاله: Acceleration of phase diagram construction by machine learning incorporating Gibbs' phase rule
مجله/کنفرانس: Scripta Materialia
رشته های تحصیلی مرتبط: مهندسی مواد، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی مواد مرکب، نانو فناوری، هوش مصنوعی
کلمات کلیدی فارسی: نمودار فازی، یادگیری ماشین، آلیاژها، روش های تحلیلی
کلمات کلیدی انگلیسی: Phase diagram, Machine learning, Alloys, Analytical methods
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.scriptamat.2021.114335
دانشگاه: Suehiro-cho, Tsurumi-ku, Japan
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 5.611 در سال 2020
شاخص H_index: 195 در سال 2020
شاخص SJR: 2.027 در سال 2020
شناسه ISSN: 1359-6462
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 6
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15736
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract
Graphical abstract
Keywords
Declaration of Competing Interest
Acknowledgment
Appendix. Supplementary materials
References

بخشی از مقاله (انگلیسی)

Abstract
To efficiently construct phase diagrams of alloy systems, a machine learning-based method advanced by thermodynamics on phase equilibria is proposed. With the use of uncertainty sampling in active learning, the next point to be synthesized or measured can be recommended to efficiently draw the phase diagram. For appropriate recommendations, two ingenuities are introduced in the machine learning method: training data preparation when the multiphase coexisting region is detected and search space reduction based on the Gibbs’ phase rule. We demonstrate the construction of ternary phase diagrams using our machine learning method by incorporating these ingenuities. The complicated phase diagram of alloy systems could be effectively plotted even when knowing only the information of single-component systems in the initial step. The recommendation made by our machine learning method can help reduce the number of experiments required to construct a phase diagram to approximately 1/8 compared with random sampling.

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است