ОБРАБОТКА МЕТАЛЛОВ Том 26 № 4 2024 166 МАТЕРИАЛОВЕДЕНИЕ Рис. 4. Принципиальная диаграмма, иллюстрирующая применение многомасштабного моделирования и машинного обучения в исследованиях ВЭС [58] Fig. 4. Schematic diagram illustrating the application of multiscale modeling and machine learning in HEA research [58] Т а б л и ц а 2 Ta b l e 2 Сравнение прогнозируемого и экспериментального значения предела текучести различных сплавов Comparison of predicted and experimental yield strengths of various alloys Сплав / High-entropy alloy Температура, °C / Temperature, °C Прогнозируемый предел текучести, МПа / Predicted yield strength, MPa Экспериментальный предел текучести, МПа / Experimental yield strength, MPa Ошибка (%) / Error (%) MoNbTaTiW [60] 1200 572 585 2,5 AlCrNbTiVZr [61] 600 1409 1093 13 AlCrNbTiVZr [62] 600 837 845 1 результата предела текучести для различных сплавов. Можно отметить, что прогнозные значения предела текучести для сплавов в большинстве случаев показывают довольно хорошее совпадение с экспериментальными данными, однако имеются случаи, когда ошибки оценок достаточно значительны. Это может быть связано с различными факторами, такими как сложность структуры сплавов, влияние окружающей среды и др. Относительно перспектив использования машинного обучения в данном контексте следует отметить, что методы машинного обучения могут быть эффективно применены для прогнозирования свойств материалов на основе данных об их составе, структуре и условиях эксплуатации. Это может помочь улучшить точность прогнозирования свойств сплавов и оптимизировать процессы разработки новых материалов с заданными характеристиками.
RkJQdWJsaXNoZXIy MTk0ODM1