ИИ и сложнейшие проблемы мира · Химия и материалы · arXiv · 2026-10-20
Эффективное по данным подавление масштабного эффекта при индентировании сталей с помощью машинного обучения и нейронной сети с физическими ограничениями
Оригинальное название: Data-Efficient Indentation Size Effect Mitigation in Steels Using Machine Learning and a Physics-Constrained Neural Network
Неглубокое наноиндентирование завышает твёрдость из-за эффекта размера индентирования, что является проблемой для тонких слоёв и малых объёмов. Авторы обучили семь моделей на индентированиях трёх сталей, чтобы предсказывать эталонную твёрдость при высокой нагрузке по одному неглубокому индентированию. На не встречавшейся ранее стали гребневая регрессия и нейронные сети с физическими ограничениями достигли MAPE 3,7–4,8%, тогда как Random Forest и XGBoost переносились хуже всего — 10,2% и 8,5%.