Merkmalsvorhersage und Struktur-Prozess-Eigenschaftsbeziehungen (maschinelles Lernen)

Gewinne:

• Fähigkeit, das Problem des maschinellen Lernens mit KI zur Vorhersage mechanischer Eigenschaften aus Zusammensetzung und Prozessparametern genau zu konstruieren
• Fähigkeit, die Ausgabe eines Modells kritisch zu lesen, indem Risiken der Datenqualität, Überanpassung und Extrapolation erkannt werden
• Möglichkeit, Vorhersagemodellergebnisse mit physikalischer Plausibilität, Konfidenzintervall und Verifizierungsexperiment zu testen

Das grundlegendste Gesetz der Metallurgie lässt sich wie folgt zusammenfassen: „Der Prozess bestimmt die Struktur; die Struktur bestimmt die Eigenschaft.“ Die Streckgrenze eines Stahls hängt nicht nur von der Zusammensetzung ab; Sie entsteht durch die Art der Verarbeitung (Schmieden, Walzen, Wärmebehandlung) und die daraus resultierende Mikrostruktur (Korngröße, Phasenverhältnis, Ausscheidungen). Künstliche Intelligenz und insbesondere maschinelles Lernen (ML: Methoden, die aus Mustern in Daten lernen und Vorhersagen treffen) sind leistungsstark, wenn es darum geht, diese Zusammensetzung-Prozess-Eigenschafts-Beziehungen aus Tausenden von Datenpunkten zu extrahieren und die Eigenschaften einer neuen Legierung vorherzusagen. Diese Leistung hängt jedoch vollständig von der Datenqualität und dem Wissen ab, wo das Modell zuverlässig ist. In dieser Einheit erfahren Sie, wie Sie eine ML-basierte Feature-Vorhersage erstellen und wie Sie deren Ausgabe kritisch lesen.

Das Problem des maschinellen Lernens richtig einrichten

Machen Sie drei Dinge klar, bevor Sie ein Feature-Vorhersageproblem in ML übertragen:

• Eingabe (Attribute): Variablen, die in der Vorhersage verwendet werden sollen. Zum Beispiel Prozentsätze der Zusammensetzung (C, Mn, Cr, Ni...), Temperatur und Zeit der Wärmebehandlung, Korngröße.
• Ausgabe (Ziel): Das vorherzusagende Merkmal. Zum Beispiel Streckgrenze, Dehnung, Härte.
• Daten: Eine Tabelle mit Eingabe-Ausgabe-Paaren. Jede Zeile ist ein Beispiel, jede Spalte ist ein Attribut oder Ziel.

Aus diesen Daten lernt das Modell eine „Funktion“: Es nimmt Eingaben entgegen und sagt die Ausgabe voraus. Üblich sind Methoden wie lineare Regression (einfache gewichtete Summe), Random Forest oder Gradient Boosting. KI hilft dabei, die geeignete Methode vorzuschlagen, den Code zu schreiben und das Ergebnis zu interpretieren. Sie prüfen jedoch, ob das Modell gültig ist oder nicht.

Datenqualität: Obergrenze des Modells

Ein ML-Modell kann nicht besser sein als die Daten, auf denen es trainiert wird. Das Prinzip „Müll rein, Müll raus“ ist in der Metallurgie sehr verbreitet, da Testdaten teuer und rar sind. Achten Sie auf diese Fallen:

• Wenig Daten: Mit 30 Beispielen können Sie keine komplexen Modelle erstellen; Das Modell speichert die Daten.
• Unausgeglichene Daten: Wenn sich die meisten Daten auf Stähle mit niedrigem Kohlenstoffgehalt beziehen, ist die Vorhersage für eine Legierung mit hohem Kohlenstoffgehalt schlecht.
• Messrauschen: Die Härte derselben Probe kann je nach Bediener variieren; Dieses Geräusch spiegelt sich im Modell wider.
• Fehlende Variable: Wenn Sie die Korngröße nicht gemessen haben, übersieht das Modell, das versucht, die Festigkeit allein anhand der Zusammensetzung vorherzusagen, einen wichtigen Grund.

Achtung: Nur weil ein Modell bei Trainingsdaten einen hohen Erfolg hat, heißt das nicht, dass es auch bei neuen Stichproben erfolgreich sein wird. Dies kann eine Überanpassung sein: Das Modell hat das Rauschen in den Trainingsdaten gespeichert, nicht die wahre Beziehung. Echter Erfolg wird an „Testdaten“ gemessen, die das Modell noch nie zuvor gesehen hat.

Extrapolation: die gefährlichste Grenze

ML-Modelle funktionieren einigermaßen innerhalb des von den Trainingsdaten abgedeckten Bereichs (Interpolation). Außerhalb dieses Bereichs (Extrapolation) werden Vorhersagen unzuverlässig und das Modell zeigt dies oft nicht an; liefert weiterhin eine zuversichtliche Zahl. Beispielsweise kann ein Modell, das auf Stähle mit einem Kohlenstoffgehalt im Bereich von 0,2–0,6 % trainiert wurde, seinen Wert für eine Legierung mit 1,2 % Kohlenstoff als „sicher“ anzeigen, dieser Wert ist jedoch völlig unbegründet. Für jede Vorhersage: „Liegt diese Stichprobe innerhalb der Trainingsdatenverteilung?“ Es ist unbedingt erforderlich, die Frage zu stellen.

Schritt für Schritt: Erstellen eines Vorhersageflusses mit KI

1. Definieren Sie das Ziel und die Eingaben: Was werden Sie vorhersagen und anhand welcher Variablen?
2. Bereiten Sie die Daten vor: Bereinigen, Einheiten reparieren, fehlende Werte kennzeichnen. (KI: Schreibt Python-Code.)
3. Teilen Sie die Daten auf: Trennen Sie die Trainings- und Testsätze, damit Sie den Erfolg genau messen können.
4. Modell auswählen und trainieren: Einfach (linear) beginnen, bei Bedarf auf baumbasiert umsteigen.
5. Auswerten: Sehen Sie sich die Fehlermetriken im Testsatz an (z. B. RMSE, R²).
6. Kommentar: Welche Variable ist wie effektiv? Ist es körperlich sinnvoll?
7. Verifizieren: Testen Sie eine kritische Vorhersage durch tatsächliche Experimente; Auf Extrapolation prüfen.

Konzept

Bedeutung

Warum ist es in der Metallurgie wichtig?

Überanpassung

Modell, das sich das Geräusch merkt

Mit wenigen Testdaten ist es sehr einfach

Interpolation

Vorhersage im Trainingsbereich

Relativ sichere Region

Extrapolation

Vorhersage außerhalb des Trainingsbereichs

unzuverlässig; Experiment ist erforderlich

R²

Anteil der durch das Modell erklärten Varianz

Indikator für die Passformqualität

Wichtigkeit der Funktion

Das Ausmaß der Auswirkung einer Eingabe

Prüfung der körperlichen Angemessenheit

drei Mini-Koffer

Fall 1 – Modell auswendig lernen. Ein Team erstellt ein komplexes Modell, das die Streckgrenze anhand von 45 Stahlproben vorhersagt. Die Trainingsdaten ergeben R² = 0,99 und sie freuen sich. In den Testdaten sinkt er jedoch auf R² = 0,42. Das Modell ist überfit. Wenn sie auf ein einfacheres Modell umsteigen und die Daten erhöhen, erhöht sich der Testerfolg auf 0,80. Lektion: Bildungserfolg ist irreführend; Die Entscheidung wird anhand von Testdaten getroffen.

Fall 2 – Extrapolationsfalle. Ein Ingenieur wendet ein an niedriglegierten Stählen trainiertes Modell auf eine rostfreie Zusammensetzung mit hohem Cr-Gehalt an. Das Modell sagt „ungefähr 620 MPa“. Der tatsächliche Zugversuch beträgt 410 MPa. Die Komposition liegt völlig außerhalb der pädagogischen Verbreitung. Lektion: Vor der Vorhersage muss unbedingt überprüft werden, ob die Eingabe innerhalb des Trainingsbereichs liegt.

Fall 3 – Richtige Verwendung. Ein Forschungs- und Entwicklungsteam modelliert die Auswirkung der Anlasstemperatur auf die Härte anhand Tausender Datensätze in einer Familie von Legierungen. Das Modell reproduziert den bekannten physikalischen Trend (die Härte nimmt mit zunehmender Anlasstemperatur ab) und schränkt ein, in welchem ​​Zusammensetzungsbereich die Zielhärte erreicht wird. Das Team nutzt das Modell, um die Anzahl der Experimente zu reduzieren: Das Ziel wird mit 8 statt 40 Experimenten erreicht und jeder Schritt wird durch Messungen validiert. Lektion: ML grenzt die Experimentplanung mit guten Daten und physikalischen Plausibilitätsprüfungen intelligent ein.

Kopierbare Eingabeaufforderungsvorlagen

ML-PROBLEM-EINSTELLUNGSVORLAGE „Rolle: Sie sind ein Materialdatenwissenschaftsassistent. Ziel: [zu vorhersagendes Merkmal]. Eingaben: [Attribute]. Ich habe [n] Stichproben. Für dieses Problem: (1) schlagen Sie geeignete einfache und erweiterte Modelloptionen vor, (2) erläutern Sie die Trainings-/Testaufteilung und die Bewertungsmetrik, (3) interpretieren Sie die Risiken einer Überanpassung und Extrapolation basierend auf diesen Daten. Versprechen Sie keinen eindeutigen Erfolg; schreiben Sie die Grenzen klar auf.“

VORLAGE FÜR DATENQUALITÄTSPRÜFUNG „Überprüfen Sie die Qualität der folgenden Datentabelle: [Spalten und Beispielzeilen einfügen]. Markierung: fehlende Werte, Ausreißer, Einheiteninkonsistenzen, unausgeglichene Verteilung. Schlagen Sie für jedes Problem vor, wie damit umzugehen ist. Listen Sie auf, welche Überprüfungen ich vor der Modellierung durchführen sollte.“

EXTRAPOLATIONSKONTROLLVORLAGE „Der Min-Max-Bereich jeder Eingabe in meiner Trainingsausbeute ist: [Bereiche schreiben]. Die neue Stichprobe, die ich vorhersagen möchte, ist: [Werte schreiben]. Liegt diese Stichprobe in jedem Attribut innerhalb oder außerhalb des Trainingsbereichs? Wenn sie außerhalb liegt, erklären Sie, in welchen Variablen und warum die Vorhersage unzuverlässig wäre. Schlagen Sie eine Verifizierung durch Experiment vor.“

PHYSISCHE Plausibilität VORLAGE „Die Reihenfolge der Merkmalsbedeutung des Modells ist [Sortierung]. Stimmt diese Reihenfolge mit bekannten metallurgischen Zusammenhängen überein (z. B. Hall-Petch, Ausscheidungshärtung, Kohlenstoffeffekt)? Wenn es einen physikalisch unerwarteten Effekt gibt, markieren Sie ihn und erläutern Sie das mögliche Daten-/Modellproblem.“

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

SCHWACHE PROMPT: „Prognostizieren Sie die Streckgrenze basierend auf dieser Zusammensetzung.“

STARKE AUFFORDERUNG: „Rolle: Sie sind der Materialdaten-Wissenschaftsassistent. Ich habe 800 Zeilen mit niedriglegierten Stahldaten (C, Mn, Cr, Ni, Anlasstemperatur -> Streckgrenze). Neue Probe: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, Anlass=550 °C. Überprüfen Sie zunächst, ob diese Probe innerhalb des Trainingsbereichs liegt. Passen Sie gegebenenfalls den Vorhersageansatz und die Unsicherheit an. Erklären Sie; wenn nicht geeignet, schlagen Sie ein Experiment vor.“ Überprüfen Sie die physikalische Plausibilität mit Hall-Petch und Temperatureffekt. Geben Sie keinen einzigen Punkt genauen Wert an.

Die starke Eingabeaufforderung erfordert eine Extrapolationsprüfung, bevor eine Vorhersage getroffen wird, beseitigt die Unsicherheit und testet das Ergebnis anhand physikalischer Gesetze. Dies ergibt eine viel zuverlässigere Entscheidungsgrundlage als eine reine Zahl.

Häufige Fehler

• Bildungserfolg mit echtem Erfolg verwechseln (Überanpassung überspringen).
• Bewerten des Modells ohne eine Trainings-/Testaufteilung durchzuführen.
• Akzeptieren der in der Extrapolationsregion erstellten Schätzung als sicher.
• Erstellen komplexer Modelle mit wenigen und unausgeglichenen Daten.
• Die Wichtigkeit von Merkmalen wird nicht mit der physischen Plausibilität verglichen.
• Eine kritische Vermutung in den Entwurf einfließen lassen, ohne ihn durch Experimente zu verifizieren.

Zusammenfassend

Maschinelles Lernen erfasst wirkungsvoll Zusammensetzungs-, Prozess- und Eigenschaftsbeziehungen mit guten Daten und grenzt die Experimentplanung intelligent ein. Aber ein Modell ist nur so gut wie seine Daten; Der Trainingserfolg kann irreführend sein (Überanpassung) und Schätzungen außerhalb des Trainingsbereichs (Extrapolation) sind unzuverlässig. Testen Sie jede Vorhersage durch erfolgreiche Testdaten, Extrapolationskontrolle, physikalische Plausibilität und in kritischen Fällen durch tatsächliche Experimente.

Anwendungsaufgabe

Definieren Sie ein Eigenschaftsvorhersageproblem mit einem vorhandenen (oder fiktiven) Materialdatensatz: Notieren Sie das Ziel und die Eingaben. Fordern Sie einen Ansatz von AI mit der Vorlage „ML PROBLEM FIGURE“ an. Anschließend definieren Sie eine „neue Stichprobe“ und prüfen mit der Vorlage „EXTRAPOLATION CHECK“, ob diese Stichprobe im Trainingsbereich liegt. Beschreiben Sie abschließend in einem Absatz, mit welchem ​​Experiment Sie eine Ausgabe des Modells verifizieren wollen.

Checkliste

• [ ] Ich habe das Ziel und die Inputs klar definiert.
• [ ] Ich habe die Datenqualität überprüft (fehlend, Ausreißer, Einheit, Saldo).
• [ ] Den ehrlichen Erfolg habe ich anhand der Aufteilung zwischen Training und Test gemessen.
• [ ] Ich habe das Extrapolationsrisiko für jede Schätzung überprüft.
• [ ] Ich habe die Wichtigkeit von Merkmalen mit der physischen Plausibilität verglichen.
• [ ] Ich habe einen Plan erstellt, um die kritische Vorhersage durch tatsächliche Experimente zu überprüfen.