Predicción impulsada por aprendizaje automático de la capacidad de formación de vidrio en vidrios metálicos a granel basados en Fe utilizando características termofísicas y aumento de datos
Autores: Bobadilla, Renato Dario Bashualdo; Baricco, Marcello; Palumbo, Mauro
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Composiciones de aleaciones
Vidrios metálicos a granel
Modelos de aprendizaje automático
Diámetro crítico de fundición
Capacidad de formación de vidrio
Características termofísicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
La identificación de composiciones de aleaciones adecuadas para la formación de vidrios metálicos en masa (BMG) es un desafío clave en la ciencia de materiales. En este estudio, desarrollamos modelos de aprendizaje automático (ML) para predecir el diámetro crítico de fundición (Dmax) de BMG basados en Fe, lo que permite una evaluación rápida de la capacidad de formación de vidrio (GFA) utilizando características termofísicas basadas en la composición y calculadas. Se construyeron tres conjuntos de datos: uno basado en fracciones molares de aleación, uno utilizando cantidades termofísicas calculadas a través del método CALPHAD y otro utilizando características derivadas de Magpie. Se evaluó el rendimiento de varios modelos de ML, incluidos máquinas de soporte vectorial (SVM), XGBoost y métodos de conjunto. Los modelos entrenados con características termofísicas superaron a aquellos que usaron solo fracciones molares, con modelos de XGBoost y SVM alcanzando puntajes R2 de prueba de hasta 0.63 y 0.60, respectivamente. Las características de Magpie produjeron resultados similares pero requirieron un conjunto de características más grande. Para mejorar la precisión predictiva, exploramos la augmentación de datos utilizando el método PADRE y una versión modificada (PADRE-2). Si bien PADRE-2 demostró ligeras mejoras y redujo la redundancia de datos, las ganancias de rendimiento generales fueron limitadas. El modelo de mejor rendimiento fue un conjunto que combinaba modelos SVM y XGBoost entrenados con características termofísicas y de Magpie, logrando un puntaje R2 de 0.69 y un MAE de 0.69, comparable a los resultados publicados obtenidos de conjuntos de datos más grandes. Sin embargo, las predicciones para valores altos de Dmax siguen siendo un desafío, lo que resalta la necesidad de un mayor refinamiento. Este estudio subraya el potencial de aprovechar características termofísicas y técnicas avanzadas de ML para la predicción de GFA y el diseño de nuevos BMG basados en Fe.
Descripción
La identificación de composiciones de aleaciones adecuadas para la formación de vidrios metálicos en masa (BMG) es un desafío clave en la ciencia de materiales. En este estudio, desarrollamos modelos de aprendizaje automático (ML) para predecir el diámetro crítico de fundición (Dmax) de BMG basados en Fe, lo que permite una evaluación rápida de la capacidad de formación de vidrio (GFA) utilizando características termofísicas basadas en la composición y calculadas. Se construyeron tres conjuntos de datos: uno basado en fracciones molares de aleación, uno utilizando cantidades termofísicas calculadas a través del método CALPHAD y otro utilizando características derivadas de Magpie. Se evaluó el rendimiento de varios modelos de ML, incluidos máquinas de soporte vectorial (SVM), XGBoost y métodos de conjunto. Los modelos entrenados con características termofísicas superaron a aquellos que usaron solo fracciones molares, con modelos de XGBoost y SVM alcanzando puntajes R2 de prueba de hasta 0.63 y 0.60, respectivamente. Las características de Magpie produjeron resultados similares pero requirieron un conjunto de características más grande. Para mejorar la precisión predictiva, exploramos la augmentación de datos utilizando el método PADRE y una versión modificada (PADRE-2). Si bien PADRE-2 demostró ligeras mejoras y redujo la redundancia de datos, las ganancias de rendimiento generales fueron limitadas. El modelo de mejor rendimiento fue un conjunto que combinaba modelos SVM y XGBoost entrenados con características termofísicas y de Magpie, logrando un puntaje R2 de 0.69 y un MAE de 0.69, comparable a los resultados publicados obtenidos de conjuntos de datos más grandes. Sin embargo, las predicciones para valores altos de Dmax siguen siendo un desafío, lo que resalta la necesidad de un mayor refinamiento. Este estudio subraya el potencial de aprovechar características termofísicas y técnicas avanzadas de ML para la predicción de GFA y el diseño de nuevos BMG basados en Fe.