Prediction of some physical properties of metallic glasses using Machine Learning

Abstract

In this work, we proposed an alternative framework to predict two glasses elastic properties: shear modulus G and poisson's ratio using the bulk composition. Based on SVM regression, relationship between the bulk composition and the corresponding parameters of interest of a sample does exist. A significant low root mean squared error (RMSE) of Poisson's ratio was obtained to be around 0.01. However, the RMSE of the shear modulus is relatively high and is about 1.67, this can be interpreted according to the skewed and discontinued of the distribution of the shear modulus in the collected data. We have demonstrated that having the bulk composition and the corresponding elastic parameters of a relatively small number of glasses is enough to estimate the elastic properties with a reasonable bound on the error. These results can be further improved to help bulk compositional adjustment and computer aided inverse design of glasses

في هذا العمل ، اقترحنا إطارا بديلاً للتنبؤ بخاصيتين مرونيتين للزجاج : معامل القص ونسبة بواسون وذلك باستخدام التركيب الكتلي . استنادا إلى انحدارSVM، فإنه توجدعلاقة بين التركيب الكتلي والمعاملات الموافقة له للعينة. ثم الحصول على خطأ تربيعي متوسط (RMSE) منخفض لنسبة بواسون ليكون حوالي 0.01. ومع ذلك، فإنRMSE لمعامل القص مرتفع نسبيا ويبلغ 1.67، ويمكن تفسير ذلك وفقا لانحراف وتقطع توزيع معامل القص في البيانات المجمعة . لقد أوضحنا أن وجود التركيب الكتلي ومعاملات المرونة المقابلة لعدد صغير نسبيا من التركيبات الزجاجية كاف لتقدير الخصائص المرونية بحد معقول للخطا . يمكن تحسين هذه النتائج بشكل أكبر للمساعدة في الضبط التركيبي والتصميم العكسي للزجاج بمساعدة الكمبيوتر .

Dans ce travail, nous avons proposé un cadre alternatif pour prédire deux propriétés élastiques des verres le module de cisaillement G et le coefficient de Poisson en utilisant la composition massique. Sur la base de la régression SVM, il existe une relation entre la composition et les paramètres d'intérêt correspondants d'un échantillon. Une faible erreur quadratique moyenne significative (RMSE) du coefficient de poisson a été obtenue à environ 0,01. Cependant, le RMSE du module de cisaillement est relativement élevé et est d'environ 1,67, cela peut être interprété en fonction de la distribution asymétrique et discontinue du module de cisaillement dans les données collectées. Nous avons démontré qu'il suffit d'avoir la composition massique et les paramètres élastiques correspondants d'un nombre relativement petit de verres pour estimer les propriétés élastiques avec une borne raisonnable sur l'erreur. Ces résultats peuvent être encore améliorés pour faciliter l'ajustement de la composition en masse et la conception inverse assistée par ordinateur des verres.