KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-20
Dateneffiziente Minderung des Eindruckgrößeneffekts bei Stählen mittels maschinellen Lernens und eines physikalisch beschränkten neuronalen Netzes
Originaltitel: Data-Efficient Indentation Size Effect Mitigation in Steels Using Machine Learning and a Physics-Constrained Neural Network
Flaches Nanoindentieren überschätzt die Härte aufgrund des Eindringtiefeneffekts (Indentation Size Effect), was für dünne Schichten und kleine Volumina ein Problem darstellt. Die Autoren trainierten sieben Modelle mit Eindrücken an drei Stählen, um aus einem einzigen flachen Eindruck eine Referenzhärte bei hoher Last vorherzusagen. Bei einem unbekannten Stahl erreichten Ridge-Regression und physikalisch eingeschränkte neuronale Netze 3,7–4,8 % MAPE, während Random Forest und XGBoost mit 10,2 % bzw. 8,5 % am schlechtesten übertrugen.