Conception optimale d'alliages de magnésium laminés sans terres rares à haute performance utilisant l'apprentissage automatique

Résumé Dans cette étude, un petit ensemble de données de 370 points de données d'alliages de Mg a été sélectionné pour l'apprentissage automatique (ML), dans lequel chaque point de données comprend cinq éléments d'alliage sans terres rares (Ca, Zn, Al, Mn et Sn), trois paramètres d'extrusion (vitesse d'extrusion, température et rapport), et trois propriétés mécaniques (limite d'élasticité YS, résistance à la traction ultime UTS et allongement EL). Les algorithmes de ML, y compris la régression par machines à vecteurs de support (SVR), les réseaux neuronaux artificiels, et trois autres méthodes, sont employés, et la SVR présente la meilleure performance dans la prédiction des propriétés mécaniques en fonction des composants et des paramètres de processus, avec l'erreur absolue en pourcentage moyenne de YS, UTS et EL étant respectivement de 6.34 %, 4.19 % et 13.64 % dans l'ensemble de test. Le modèle SVR combiné à un algorithme génétique multi-objectifs est utilisé avec succès pour optimiser les propriétés mécaniques de quatre alliages extrudés des séries Mg-Ca, Mg-Ca-Zn, Mg-Ca-Mn-Sn et Mg-Ca-Al-Zn-Mn, et les résultats expérimentaux correspondants sont en bon accord avec ceux conçus. De plus, de nouveaux schémas de composition sont proposés à partir d'une gamme plus large d'éléments et de caractéristiques de traitement pour correspondre aux objectifs d'alliages de Mg à haute résistance, équilibrée en résistance-ductilité, et à haute ductilité, et des schémas d'alliage à quatre, cinq et six éléments sont fournis pour les candidats des nouveaux alliages de magnésium laminés de nouvelle génération.