<th id="5nh9l"></th><strike id="5nh9l"></strike><th id="5nh9l"><noframes id="5nh9l"><th id="5nh9l"></th><strike id="5nh9l"></strike>
<progress id="5nh9l"><noframes id="5nh9l"><th id="5nh9l"><noframes id="5nh9l">
<th id="5nh9l"></th> <strike id="5nh9l"><noframes id="5nh9l"><span id="5nh9l"></span>
<progress id="5nh9l"><noframes id="5nh9l"><span id="5nh9l"><noframes id="5nh9l"><span id="5nh9l"></span><strike id="5nh9l"><noframes id="5nh9l"><strike id="5nh9l"></strike>
<span id="5nh9l"><noframes id="5nh9l">
<span id="5nh9l"><noframes id="5nh9l">
<span id="5nh9l"></span><span id="5nh9l"><video id="5nh9l"></video></span>
<th id="5nh9l"><noframes id="5nh9l"><th id="5nh9l"></th>
<progress id="5nh9l"><noframes id="5nh9l">
  • 《工程索引》(EI)刊源期刊
  • 中文核心期刊
  • 中國科技論文統計源期刊
  • 中國科學引文數據庫來源期刊

留言板

尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

姓名
郵箱
手機號碼
標題
留言內容
驗證碼

賴禮邦, 馮果, 沈春光, 陳超, 牟望重. 機器學習模型預測雙相不銹鋼的低溫時效力學性能[J]. 工程科學學報. doi: 10.13374/j.issn2095-9389.2022.11.18.001
引用本文: 賴禮邦, 馮果, 沈春光, 陳超, 牟望重. 機器學習模型預測雙相不銹鋼的低溫時效力學性能[J]. 工程科學學報. doi: 10.13374/j.issn2095-9389.2022.11.18.001
A machine learning modeling to predict mechanical properties of duplex stainless steel during low temperature aging[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2022.11.18.001
Citation: A machine learning modeling to predict mechanical properties of duplex stainless steel during low temperature aging[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2022.11.18.001

機器學習模型預測雙相不銹鋼的低溫時效力學性能

doi: 10.13374/j.issn2095-9389.2022.11.18.001
詳細信息
  • 中圖分類號: TG142.71

A machine learning modeling to predict mechanical properties of duplex stainless steel during low temperature aging

  • 摘要: 雙相不銹鋼因為其具有優異的力學與防腐蝕性能,可以應用在化工廠、核電等惡劣環境的工程領域。該材料一個明顯的弊端在于“475 oC脆性”限制了其長期使用下的服役溫度,該問題已在雙相不銹鋼的工業存在了60余年,尚無法得到有效解決方案。近年來的研究發現,雙相不銹鋼的“475 oC脆性”與鐵素體的硬度的增加有著直接的關系。本文建立了機器學習模型預測雙相不銹鋼鐵素體相在不同熱處理條件下硬度的演變趨勢。在建模過程中,用于建立數據庫的數據一部分從文獻中收集,另一部分采用不同類型雙相不銹鋼 (2101、2304、2205、2507、3207)的實驗結果。同時,使用五種不同機器的學習模型進行建模:線性回歸模型 (LR)、回歸樹 (RT)、支持向量機 (SVM)、高斯過程回歸 (GPR) 和集成樹 (ET)。將數據庫隨機拆分為80%用于訓練,20%用于測試,同時基于該機器學習模型研究不同合金元素,例如鉻、鎳、錳、氮等及熱處理條件 (時效時間和溫度) 對鐵素體顯微硬度變化的影響大小,探究影響因素。最后,根據機器學習模型預測的結果,設計并制備實驗室規模的不同類別雙相不銹鋼,用于研究合金元素Ni對鐵素體硬度隨時效變化的影響規律,實驗結果同時用來驗證機器學習模型的預測結果。本文提供了一種通過結合文獻及實驗數據用來建立機器學習模型,并用其輔助研究雙相不銹鋼的低溫脆性的影響機制。

     

  • 加載中
計量
  • 文章訪問數:  233
  • HTML全文瀏覽量:  15
  • PDF下載量:  63
  • 被引次數: 0
出版歷程
  • 網絡出版日期:  2023-01-31

目錄

    /

    返回文章
    返回
    <th id="5nh9l"></th><strike id="5nh9l"></strike><th id="5nh9l"><noframes id="5nh9l"><th id="5nh9l"></th><strike id="5nh9l"></strike>
    <progress id="5nh9l"><noframes id="5nh9l"><th id="5nh9l"><noframes id="5nh9l">
    <th id="5nh9l"></th> <strike id="5nh9l"><noframes id="5nh9l"><span id="5nh9l"></span>
    <progress id="5nh9l"><noframes id="5nh9l"><span id="5nh9l"><noframes id="5nh9l"><span id="5nh9l"></span><strike id="5nh9l"><noframes id="5nh9l"><strike id="5nh9l"></strike>
    <span id="5nh9l"><noframes id="5nh9l">
    <span id="5nh9l"><noframes id="5nh9l">
    <span id="5nh9l"></span><span id="5nh9l"><video id="5nh9l"></video></span>
    <th id="5nh9l"><noframes id="5nh9l"><th id="5nh9l"></th>
    <progress id="5nh9l"><noframes id="5nh9l">
    259luxu-164