L'IA face aux grands problèmes du monde · Chimie et matériaux · arXiv · 2026-10-20
Atténuation économe en données de l'effet de taille d'indentation dans les aciers par apprentissage automatique et réseau de neurones à contraintes physiques
Titre original: Data-Efficient Indentation Size Effect Mitigation in Steels Using Machine Learning and a Physics-Constrained Neural Network
La nano-indentation superficielle surestime la dureté en raison de l'effet de taille d'indentation, ce qui pose problème pour les couches minces et les petits volumes. Les auteurs ont entraîné sept modèles sur des indentations de trois aciers afin de prédire une dureté de référence à forte charge à partir d'une seule indentation superficielle. Sur un acier jamais vu, la régression ridge et les réseaux de neurones à contraintes physiques ont atteint 3,7–4,8 % de MAPE, tandis que Random Forest et XGBoost se sont le moins bien transférés, avec 10,2 % et 8,5 %.