先进的制造技术使生产材料具有最先进的性质。然而,在许多情况下,这些技术的物理学模型的发展落后于实验室的使用。这意味着设计和运行实验在很大程度上通过试验和错误进行。这是次优,因为实验是成本 - ,时间和劳动密集型的。在这项工作中,我们提出了一种机器学习框架,差异属性分类(DPC),使实验者能够利用机器学习的无与伦比的模式匹配能力来追求数据驱动的实验设计。 DPC采用两种可能的实验参数集,并输出预测,其将产生具有由操作员指定的更可望的属性的材料。我们展示了DPC对AA7075管制造工艺和机械性能数据的成功,使用剪切辅助加工和挤出(形状),固相处理技术。我们表明,通过重点关注多个候选实验参数之间的选择,我们可以重新预测从处理参数预测材料属性的具有挑战性的回归任务,进入哪个机器学习模型可以实现良好性能的分类任务。
translated by 谷歌翻译