Funktsioonide ennustamine ja struktuuri-protsessi-omaduse suhted (masinõpe)

Kasu:

• Võimalus AI-ga täpselt konstrueerida masinõppeprobleem, et ennustada koostise ja protsessi parameetrite põhjal mehaanilisi omadusi
• Võimalus kriitiliselt lugeda mudeli väljundit, teadvustades andmete kvaliteedi, ülepaigutamise ja ekstrapoleerimise riske
• Võimalus testida ennustusmudeli tulemusi füüsilise usutavuse, usaldusvahemiku ja kontrollikatsega

Metallurgia kõige põhilisem seadus on kokku võetud järgmiselt: "protsess määrab struktuuri; struktuur määrab omaduse". Terase voolavuspiir ei sõltu ainult koostisest; See tuleneb sellest, kuidas seda töödeldakse (sepistamine, valtsimine, kuumtöötlemine) ja tekkivast mikrostruktuurist (tera suurus, faasisuhe, sademed). Tehisintellekt ja eriti masinõpe (ML: meetodid, mis õpivad ja ennustavad andmete mustreid) on võimsad nende koostise, protsessi ja omaduste suhete eraldamisel tuhandetest andmepunktidest ja uue sulami omaduste ennustamisel. Kuid see võimsus sõltub täielikult andmete kvaliteedist ja teadmisest, kus mudel on usaldusväärne. Selles üksuses saate teada, kuidas koostada ML-põhist funktsioonide prognoosi ja kuidas selle väljundit kriitiliselt lugeda.

Masinõppe probleemi õige seadistamine

Enne funktsiooni ennustusprobleemi lisamist ML-i tehke selgeks kolm asja.

• Sisend (atribuudid): ennustamisel kasutatavad muutujad. Näiteks koostise protsendid (C, Mn, Cr, Ni...), kuumtöötluse temperatuur ja aeg, tera suurus.
• Väljund (sihtmärk): ennustatav omadus. Näiteks voolavuspiir, pikenemine, kõvadus.
• Andmed: sisend-väljund paaride tabel. Iga rida on näidis, iga veerg on atribuut või sihtmärk.

Mudel õpib nendest andmetest "funktsiooni": võtab sisendeid ja ennustab väljundit. Levinud on sellised meetodid nagu lineaarne regressioon (lihtne kaalutud summa), juhuslik mets või gradiendi võimendamine. AI on abiks sobiva meetodi soovitamisel, koodi kirjutamisel ja tulemuse tõlgendamisel; aga kontrollid, kas mudel on kehtiv või mitte.

Andmete kvaliteet: mudeli ülemmäär

ML-mudel ei saa olla parem andmetest, mille põhjal see on koolitatud. Põhimõte "prügi sisse, prügi välja" on metallurgias väga tugev, sest katseandmed on kallid ja napid. Olge nende lõksude eest ettevaatlik:

• Vähe andmeid: 30 näidisega ei saa ehitada keerulisi mudeleid; Mudel jätab andmed meelde.
• Tasakaalustamata andmed: kui suurem osa andmetest on madala süsinikusisaldusega terased, on ennustus kõrge süsinikusisaldusega sulami puhul halb.
• Mõõtmismüra: sama proovi kõvadus võib erinevatel operaatoritel erineda; See müra kajastub mudelis.
• Puuduv muutuja: kui te pole tera suurust mõõtnud, jätab mudel, mis proovib tugevust ennustada ainult koostise järgi, olulise põhjuseta.

Tähelepanu. See, et mudelil on koolitusandmete osas kõrge edu, ei tähenda, et see oleks edukas ka uutes proovides. See võib olla liialdatud: mudel on jätnud meelde treeningandmete müra, mitte tegelikku seost. Tõelist edu mõõdetakse "testiandmetega", mida mudel pole kunagi varem näinud.

Ekstrapoleerimine: kõige ohtlikum piir

ML-mudelid töötavad mõistlikult treeningandmetega hõlmatud vahemikus (interpolatsioon). Väljaspool seda vahemikku (ekstrapoleerimine) muutuvad ennustused ebausaldusväärseks ja mudel seda sageli ei näita; jätkab enesekindla numbri tootmist. Näiteks 0,2–0,6% süsinikusisaldusega terastel treenitud mudel võib 1,2% süsinikusisaldusega sulami väärtust näidata kui "ohutut", kuid see väärtus on täiesti alusetu. Iga ennustuse puhul "kas see valim on koolitusandmete jaotuses?" Küsimuse esitamine on hädavajalik.

Samm-sammult: ennustusvoo loomine tehisintellektiga

1. Määratlege eesmärk ja sisendid: mida ennustate ja milliste muutujate põhjal?
2. Valmistage andmed ette: puhastage, parandage ühikud, märgistage puuduvad väärtused. (AI: kirjutab Pythoni koodi.)
3. Andmete jagamine: eraldage treening- ja testikomplektid, et saaksite edu täpselt mõõta.
4. Valige ja treenige mudel: alustage lihtsast (lineaarne), vajadusel liikuge puupõhisele.
5. Hinnake: vaadake testikomplekti veamõõdikuid (nt RMSE, R²).
6. Kommentaar: milline muutuja on kui tõhus? Kas sellel on füüsiliselt mõtet?
7. Kontrollige: testige kriitilist ennustust tegeliku eksperimenteerimisega; Kontrollige ekstrapolatsiooni.

kontseptsioon

Tähendus

Miks on see metallurgias oluline?

Ülesobitamine

Mudel, mis jätab müra meelde

Väheste testandmetega on see väga lihtne

interpoleerimine

Ennustus treeningulatuse piires

Suhteliselt turvaline piirkond

ekstrapoleerimine

Ennustus väljaspool treeningulatust

ebausaldusväärne; eksperiment on vajalik

R²

Mudeliga seletatav dispersiooni proportsioon

Sobivuse kvaliteedi indikaator

Funktsiooni tähtsus

Sisendi mõju suurus

Füüsilise mõistlikkuse kontroll

kolm minikarpi

Juhtum 1 – mudeli meeldejätmine. Meeskond koostab keeruka mudeli, mis ennustab voolavuspiiri 45 teraseprooviga; Treeningandmed osutuvad R² = 0,99 ja nad rõõmustavad. Kuid katseandmetes langeb see väärtuseni R² = 0,42. Mudel on overfit. Kui nad lülituvad üle lihtsamale mudelile ja suurendavad andmeid, suureneb testi edukus 0,80-ni. Õppetund: edukus hariduses on eksitav; Otsus tehakse katseandmete põhjal.

Juhtum 2 – ekstrapoleerimislõks. Insener rakendab vähelegeeritud terastel treenitud mudelit kõrge Cr-sisaldusega roostevaba koostisega. Mudel ütleb "umbes 620 MPa". Tegelik tõmbekatse on 410 MPa. Koosseis on täielikult väljaspool hariduslikku levi. Õppetund: enne ennustamist tuleb kindlasti kontrollida, kas sisend on treeningu vahemikus.

Juhtum 3 – õige kasutamine. Uurimis- ja arendusmeeskond modelleerib karastustemperatuuri mõju kõvadusele tuhandete rekordite abil sulamite perekonnas. Mudel reprodutseerib teadaolevat füüsikalist trendi (karedus väheneb karastustemperatuuri tõustes) ja kitsendab, millises koostise vahemikus saavutatakse soovitud kõvadus. Meeskond kasutab mudelit katsete arvu vähendamiseks: eesmärgi saavutamine 40 katse asemel 8 katsega ja iga sammu valideerimine mõõtmistega. Õppetund: ML kitsendab nutikalt katse planeerimist heade andmete ja füüsilise usutavuse kontrolliga.

Kopeeritavad viipade mallid

ML PROBLEEMIDE SEADISTAMISE MALL "Roll: olete materjaliandmete teaduse assistent. Eesmärk: [funktsioon, mida tuleb ennustada]. Sisendid: [atribuudid]. Mul on [n] näidist. Selle probleemi jaoks: (1) soovitage sobivaid lihtsaid ja täiustatud mudelivalikuid, (2) selgitage koolituse/testi jaotust ja hindamismõõdikuid, (3) tõlgendage selle lubaduse põhjal andmete ülemääratlemise ja mittetäitmise edukuse riske. piirid selgelt."

ANDMETE KVALITEEDI AUDITI MALL"Kontrollige järgmise andmetabeli kvaliteeti: [kleepige veerud ja näidisread]. Märgistus: puuduvad väärtused, kõrvalekalded, ühikute ebakõlad, tasakaalustamata jaotus. Iga probleemi puhul soovitage, kuidas seda käsitleda. Loetlege, milliseid kontrolle peaksin enne modelleerimist tegema."

EXTRAPOLATION CONTROL MALLATE "Minu treeningtulemuse iga sisendi minimaalne-maksimaalne vahemik on: [kirjutusvahemikud]. Uus näidis, mida ma tahan ennustada, on: [kirjuta väärtused]. Kas see valim on iga atribuudi treeningvahemikus või väljaspool seda? Kui see on väljaspool, selgitage, millistes muutujates ja miks ennustus oleks ebausaldusväärne. Soovitage katse abil kontrollimist."

FÜÜSILISE usutavuse MALL "Mudelite tunnuste tähtsuse järjekord on [sorteeri]. Kas see järjekord on kooskõlas teadaolevate metallurgiliste seostega (nt Hall-Petch, sademe kõvenemine, süsinikuefekt)? Kui ilmneb füüsiliselt ootamatu efekt, märkige see ära ja selgitage võimalikku andmete/mudeli probleemi."

Nõrk viip / Tugev viip

NÕRK VIIPA: "Ennustage voolavuspiir selle koostise põhjal."

TUGEV VIIP:"Roll: olete materjaliteaduse assistent. Mul on 800 rida madala legeeritud terase andmeid (C, Mn, Cr, Ni, karastamistemperatuur -> voolavustugevus). Uus näidis: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, temper=550 °C. Kui ennustate, kas see proov on sobiv, siis kontrollige kõigepealt, kas see vahemik on sobiv. ebakindlus Selgitage, kui see ei sobi, tehke ristkontroll Hall-Petchi ja temperatuuri efektiga.

Tugev viip küsib enne prognoosi tegemist ekstrapolatsioonikontrolli, eemaldab ebakindluse ja testib tulemust füüsikaliste seaduste suhtes. See annab palju usaldusväärsema otsustusaluse kui toorarv.

Levinud vead

• Õppeedu segi ajamine tõelise eduga (ülemääramise vahelejätmine).
• Mudeli hindamine ilma koolituse/testi jaotuseta.
• Ekstrapoleerimispiirkonnas saadud hinnangu aktsepteerimine ohutuna.
• Väheste ja tasakaalustamata andmetega keerukate mudelite loomine.
• Ei võrrelda tunnuse tähtsust füüsilise usutavusega.
• Kriitilise oletuse panemine disainile ilma seda katsega kontrollimata.

Kokkuvõttes

Masinõpe jäädvustab kompositsiooni-protsessi-omaduste suhteid tõhusalt heade andmetega ja kitsendab nutikalt katse planeerimist. Kuid mudel on ainult nii hea kui selle andmed; Treeningsaavutused võivad olla eksitavad (üle sobitamine) ja treeninguvahemikust väljapoole jäävad hinnangud (ekstrapoleerimine) on ebausaldusväärsed. Testige iga ennustust testiandmete edukuse, ekstrapolatsiooni kontrolli, füüsilise usutavuse ja kriitilistel juhtudel tegeliku eksperimenteerimisega.

Rakenduse ülesanne

Määratlege olemasoleva (või väljamõeldud) materjaliandmete kogumiga omaduse ennustamise probleem: kirjutage üles sihtmärk ja sisendid. Küsige AI-lt lähenemist malli „ML PROBLEM FIGURE” abil. Seejärel defineerige "uus valim" ja kontrollige malli "EXTRAPOLATION CHECK" abil, kas see proov on koolitusvahemikus. Lõpuks kirjeldage lõigus, millise katsega mudeli väljundit kontrollite.

kontrollnimekiri

• [ ] Määratlesin selgelt eesmärgi ja sisendid.
• [ ] Kontrollisin andmete kvaliteeti (puuduvad, kõrvalekalded, ühik, saldo).
• [ ] Mõõtsin ausat edu treeningu/testi vahega.
• [ ] Kontrollisin iga hinnangu ekstrapoleerimisriski.
• [ ] Võrdlesin tunnuse tähtsust füüsilise usutavusega.
• [ ] Tegin plaani kriitilise ennustuse kontrollimiseks tegeliku eksperimenteerimisega.