Modelling of functional properties of shape-memory alloys by machine learning methods

Abstract

Сплави з пам’яттю форми (СПФ) застосовують у багатьох галузях науки і техніки через їхній унікальний ефект пам’яті форми та суперпружність, котрі спричинено мартенситним та зворотним перетвореннями. У роботі запропоновано моделювати функціональні властивості сплавів з пам’яттю форми, а саме, розмах розсіяної енергії, деформацій та напружень методами машинного навчання. Моделювання здійснювалося у спеціалізованому програмному середовищі аналізу даних Orange. Ця програма дозволяє візуально будувати блок-схеми та отримувати результати у вигляді моделей, числових даних та графіків. Загалом побудовано три моделі. На вхід кожної з них подано залежності відповідної фізичної величини від кількості циклів навантаження. Кількість циклів навантаження розглядали як незалежну змінну, а фізичну величину – як залежну змінну. Для збільшення точності результатів моделювання, набір даних додатково збільшили, інтерполювавши експериментальні залежності кубічними сплайнами. Загалом отримали 599 точок. Вибірку поділили на дві нерівні частини. Навчальна вибірка становила 66 % від загальної вибірки. Регресійні залежності будували методами випадкових лісів, нейронних мереж, градієнтного бустінгу, AdaBoost та методом k-найближчих сусідів. Кожну отриману модель додатково тестували методом перехресної перевірки (cross-validation) 5 разів. Для кожного набору даних побудовано п’ять моделей методом нейронних мереж, випадкових лісів, градієнтного бустінгу, AdaBoost та методу k-найближчих сусідів. Отримано відповідні регресійні залежності та здійснено перехресну перевірку результатів 5 разів. Отримано помилки результатів та коефіцієнт детермінації моделюванням зазначеними вище методами машинного навчання для розмаху розсіяної енергії, напружень та деформацій залежно від кількості циклів навантаження відповідно. Для кожної фізичної величини, найліпші результати у термінах помилок методу отримано методом k-найближчих сусідів.

Shape-memory alloys are used in various areas of science and industry due to their unique shape memory effect and superelasticity, caused by martensite and reverse transformations. In this study, it is proposed to model the functional properties of shape memory alloys, namely, the dissipated energy range, strain range and stress range using the methods of machine learning. The modeling is carried ou in the specialized data mining software environment called Orange. There were built five models for each dataset by means of method of neural networks, random forest, gradient boosting, AdaBoost and kNN. The respective regression dependencies are obtained and K fold cross-validation with K=5 is performed. The errors and coefficient for R2 determination are calculated as the results of modeling by means of the above mentioned machine learning methods for the range of dissipated energy, stresses and strains on the number of loading cycles. For each physical quantity, the best results in terms of method error are obtained for k-nearest neighbors method.