Uma abordagem de aprendizado de máquina para o design acelerado de ligas de magnésio. Parte A: Dados de liga e espaço de propriedades

Normalmente, as ligas de magnésio foram projetadas usando uma abordagem chamada de escalada em colina, com avanços bastante incrementais ao longo do último século. O design de ligas de forma iterativa e incremental é lento e caro, mas, mais importante, não aproveita todos os dados que existem no campo. Neste trabalho, uma nova abordagem é proposta, que utiliza ciência de dados e fornece uma compreensão detalhada dos dados que existem no campo do design de ligas de Mg até o momento. Nesta abordagem, primeiro foi desenvolvido um banco de dados consolidado de ligas que incorpora 916 pontos de dados, a partir da literatura e trabalho experimental. Para analisar as características do banco de dados, os efeitos da ligadura e do processamento termomecânico nas propriedades mecânicas foram explorados por meio de matrizes de composição-processo-propriedade. Um método de aprendizado de máquina (ML) não supervisionado de agrupamento também foi implementado, utilizando dados não rotulados, com o objetivo de revelar informações potencialmente úteis para um espaço de representação de ligas de baixa dimensionalidade. Além disso, o banco de dados de ligas foi correlacionado a fases secundárias termodinamicamente estáveis para entender ainda mais as relações entre microestrutura e propriedades mecânicas. Este trabalho não só introduz um banco de dados de código aberto inestimável, mas também fornece, pela primeira vez, insights que possibilitam um design digital acelerado de ligas de Mg.