Key points are not available for this paper at this time.
Résumé Cet article décrit l'utilisation des outils d'analyse de données pour prédire la résistance à la fatigue des aciers. Plusieurs approches basées sur la physique ainsi que des approches axées sur les données ont été utilisées pour établir des corrélations entre diverses propriétés des alliages et leurs compositions et paramètres de processus de fabrication. Les approches axées sur les données suscitent un intérêt particulier chez les ingénieurs des matériaux, en particulier pour déterminer des propriétés de valeur extrême telles que la fatigue cyclique, où les modèles physiques actuels présentent de graves limites. Malheureusement, il existe peu de succès documentés dans ces efforts. Dans cet article, nous explorons l'application de différentes techniques de science des données, y compris la sélection de caractéristiques et la modélisation prédictive, aux propriétés de fatigue des aciers, en utilisant les données de la base de données publique de l'Institut national des sciences des matériaux (NIMS), et présentons un cadre systématique de bout en bout pour explorer l'informatique des matériaux. Les résultats démontrent que plusieurs techniques avancées d'analyse de données telles que les réseaux de neurones, les arbres de décision et la régression polynomiale multivariée peuvent atteindre une amélioration significative de la précision des prédictions par rapport aux efforts précédents, avec des valeurs R² supérieures à 0,97. Les résultats ont démontré avec succès l'utilité de tels outils d'exploration de données pour classer les paramètres de composition et de processus selon leur potentiel à prédire la résistance à la fatigue des aciers, et ont effectivement développé des modèles prédictifs pour cela.
Agrawal et al. (Jeudi,) ont étudié cette question.