Modelling of functional properties of shape memory alloy by machine learning methods

Abstract

Дослідження стосується моделювання розсіяної енергії NiTi сплаву з пам’яттю методами машинного навчання з учителем, враховуючи частоту навантаження. Сплави з пам’яттю форми – матеріали, які становлять важливий інтерес як для науки, так і для промисловості. Ці матеріали користуються широкою популярністю з огляду на їхні дві особливі властивості: унікальний ефект пам’яті форми та псевдопружність, спричинені прямим аустенітно-мартенситним перетворенням і зворотним мартенситно-аустенітним перетворенням. Традиційні детерміновані методи оцінювання властивостей матеріалу часто є дороговартнісними, вимагають значних часових витрат, вимагають добре тренованого персоналу та лабораторного обладнання. На противагу цьому, за останні роки методи штучного інтелекту завоювали широку увагу через їхню здатність знаходити приховані інсайти з існуючих даних. Машинне навчання є частиною штучного інтелекту. Вона дозволяє вчитися на основі наявних даних і стає ліпшою з часом без явної вимоги програмування. Експериментальні дані взято з відкритих наукових джерел. Вони містили криві гістерезису для шести частот навантаження 0,1; 0,5; 1; 5; 7 та 10 Hz. Вхідні дані складалися з наступних ознак: напруження (MPa), циклу навантаження N, і частоти навантаження f (Hz). Ґрунтуючись на експериментальних даних, для кожної частоти навантаження і для кожного циклу, обчислено розсіяну енергію. Для того, аби видалити шум, скористалися Локально Зваженим Згладжування Графіка (ЛЗЗГ) з пакету nonparametric модуля statsmodels. Після цього площу під петлею гістерезису, тобто розсіяною енергію Wdis, обчислювали числово, інтегруючи методом трапецій . Для того, аби збільшити набір даних, його точки інтерполювали модифікованим методом інтерполяції Akima (makima). Побудовано чотири моделі методами випадкових лісів, Ада Буст, Градієнтним Бустінгом і нейронною мережею. Найліпші результати показали ансамблеві методи, такі, як Ада Буст і випадковий ліс. Приміром, MAPE методу Ada Буст складала тільки 0,074, тоді як MAPE випадкового лісу становила 0,144. Виявлено, що методи градієнтного бустінгу і нейронні мережі не підходять для такого набору даних, оскільки помилки є досить великими. Таким чином, ці методи недостатньо добрі для застосування до розв’язування такої задачі

This study deals with the modelling of NiTi shape memory alloy dissipated energy by means of supervised machine learning methods, considering the loading frequency. Shape memory alloys are materials of high interest both to science and industry. These materials are enjoying wide popularity due to their two peculiar properties: unique effect of shape memory and superplasticity, caused by direct austenite-martensite phase transformation and reverse martensite-austenite transformation. The traditional deterministic methods of assessment of material properties are often costly, time-consuming, and demand a well-trained workforce and laboratory equipment. On the contrary, in recent years, the methods of artificial intelligence have gained widespread attention due to their ability to reveal hidden insights from existing data. Machine learning is a subset of artificial intelligence. It allows training based on the available data and becomes better with time without the explicit need to be programmed. The experimental dataset was taken from open scientific sources. It contained the hysteresis curves for six loading frequencies of 0.1, 0.5, 1, 5, 7, and 10 Hz. The input data consisted of the next features: stress s (MPa), cycle number N, and loading frequency f (Hz). Based on these data, for each loading cycle, and for each loading cycle, the dissipated energy was calculated. To remove noise, Locally Weighted Scatterplot Smoothing (LOWESS) smoother in the nonparametric package of statsmodels was utilized. After that, the trapezoid numerical integration method was employed to calculate the area enclosed by the hysteresis loop of the respective cycle, that is, the dissipated energy. To augment the dataset, its points were interpolated using the modified Akima interpolation method (makima). Four models were built using the methods of Random Forest, AdaBoost, Gradient Boosting, and Neural Network. The best results were shown by the ensemble methods, such as AdaBoost, and Random Forest. For instance, the MAPE of AdaBoost was just 0.074, whereas the MAPE of Random Forest was 0.144. It was found that the Gradient Boosting method and Neural Network are not suitable for such a dataset, since the errors are quite large and, therefore, these methods are not good enough to be employed for solving such a problem