الذكاء الاصطناعي ومشكلات العالم الصعبة · الكيمياء والمواد · arXiv · 2026-10-20

تخفيف أثر حجم الانغراز في الفولاذ بكفاءة بيانات باستخدام التعلّم الآلي وشبكة عصبية مقيّدة فيزيائيًا

العنوان الأصلي: Data-Efficient Indentation Size Effect Mitigation in Steels Using Machine Learning and a Physics-Constrained Neural Network

يبالغ الإنفاذ النانوي الضحل في تقدير الصلادة بسبب أثر حجم الانغراس، وهي مشكلة في الطبقات الرقيقة والأحجام الصغيرة. درّب المؤلفون سبعة نماذج على انغراسات من ثلاثة أنواع من الفولاذ للتنبؤ بصلادة مرجعية عند حمل عالٍ انطلاقًا من انغراس ضحل واحد. وعلى فولاذ لم يسبق عرضه، بلغ انحدار ريدج والشبكات العصبية المقيَّدة بالفيزياء نسبة خطأ مطلق متوسط (MAPE) قدرها 3.7–4.8%، بينما كان انتقال Random Forest وXGBoost الأسوأ، بنسبتَي 10.2% و8.5%.

اقرأ المصدر الأصلي ↗

جميع العناصر →