Predikcia funkcií a vzťahy medzi štruktúrou, procesom a vlastnosťou (strojové učenie)

zisky:

• Schopnosť presne zostaviť problém strojového učenia s AI na predpovedanie mechanických vlastností z parametrov zloženia a procesu
• Schopnosť kriticky čítať výstup modelu rozpoznaním rizík kvality údajov, nadmerného prispôsobenia a extrapolácie
• Schopnosť testovať výsledky predikčného modelu s fyzikálnou hodnovernosťou, intervalom spoľahlivosti a overovacím experimentom

Najzákladnejší zákon metalurgie je zhrnutý ako „proces určuje štruktúru; štruktúra určuje vlastnosť“. Medza klzu ocele závisí nielen od zloženia; Vzniká zo spôsobu spracovania (kovanie, valcovanie, tepelné spracovanie) a výslednej mikroštruktúry (veľkosť zŕn, fázový pomer, precipitáty). Umelá inteligencia a najmä strojové učenie (ML: metódy, ktoré sa učia a robia predpovede zo vzorov v údajoch), sú účinné pri extrahovaní týchto vzťahov medzi zložením, procesom a vlastnosťami z tisícok údajových bodov a predpovedaním vlastností novej zliatiny. Táto sila je však úplne závislá od kvality údajov a poznania, kde je model spoľahlivý. V tejto lekcii sa naučíte, ako zostaviť predikciu funkcií založenú na ML a ako kriticky čítať jej výstup.

Správne nastavenie problému strojového učenia

Pred uložením problému s predikciou funkcií do ML si ujasnite tri veci:

• Vstup (atribúty): Premenné, ktoré sa majú použiť pri predikcii. Napríklad percentá zloženia (C, Mn, Cr, Ni...), teplota a čas tepelného spracovania, zrnitosť.
• Výstup (cieľ): Funkcia, ktorá sa má predpovedať. Napríklad medza klzu, ťažnosť, tvrdosť.
• Údaje: Tabuľka vstupno-výstupných párov. Každý riadok je vzorka, každý stĺpec je atribút alebo cieľ.

Model sa z týchto údajov učí „funkciu“: berie vstupy a predpovedá výstup. Bežné sú metódy ako lineárna regresia (jednoduchý vážený súčet), náhodný les alebo zvyšovanie gradientu. AI je užitočná pri navrhovaní, ktorá metóda je vhodná, pri písaní kódu a interpretácii výsledku; ale skontrolujete, či je model platný alebo nie.

Kvalita dát: strop modelu

Model ML nemôže byť lepší ako údaje, na ktorých je trénovaný. Princíp „odpadu dovnútra, odpadu“ je v metalurgii veľmi silný, pretože skúšobné dáta sú drahé a vzácne. Pozor na tieto nástrahy:

• Málo údajov: nemôžete zostaviť zložité modely s 30 vzorkami; Model si zapamätá údaje.
• Nevyvážené údaje: Ak väčšinu údajov tvoria nízkouhlíkové ocele, predpoveď bude pre zliatinu s vysokým obsahom uhlíka zlá.
• Hluk merania: Tvrdosť tej istej vzorky sa môže u rôznych operátorov líšiť; Tento hluk sa odráža v modeli.
• Chýbajúca premenná: Ak ste nemerali veľkosť zŕn, model, ktorý sa pokúša predpovedať pevnosť podľa samotného zloženia, prehliadne dôležitý dôvod.

Pozor: To, že model má vysokú úspešnosť v trénovacích údajoch, neznamená, že bude úspešný aj v nových vzorkách. To môže byť prehnané: model si zapamätal hluk v tréningových údajoch, nie skutočný vzťah. Skutočný úspech sa meria na základe „testovacích údajov“, ktoré tento model nikdy predtým nevidel.

Extrapolácia: najnebezpečnejšia hranica

Modely ML fungujú primerane v rozsahu pokrytom trénovacími údajmi (interpolácia). Keď je mimo tento rozsah (extrapolácia), predpovede sa stávajú nespoľahlivými a model to často neukazuje; naďalej produkuje sebavedomé číslo. Napríklad model trénovaný na oceliach s obsahom uhlíka v rozsahu 0,2 – 0,6 % môže vykazovať svoju hodnotu pre zliatinu s 1,2 % uhlíka ako „bezpečnú“, ale táto hodnota je úplne nepodložená. Pre každú predpoveď „je táto vzorka v rámci distribúcie tréningových údajov?“ Je nevyhnutné položiť si otázku.

Krok za krokom: Vytváranie predpovedí pomocou AI

1. Definujte cieľ a vstupy: Čo budete predpovedať a z akých premenných?
2. Pripravte údaje: Vyčistite, opravte jednotky, označte chýbajúce hodnoty. (AI: Píše kód Python.)
3. Rozdeľte údaje: Oddeľte tréningové a testovacie sady, aby ste mohli presne merať úspech.
4. Vyberte a trénujte model: Začnite jednoducho (lineárne), v prípade potreby prejdite na stromový.
5. Vyhodnotenie: Pozrite sa na chybové metriky v testovacej súprave (napr. RMSE, R²).
6. Komentár: Ktorá premenná je efektívna? Má to fyzicky zmysel?
7. Overiť: Otestujte kritickú predpoveď skutočným experimentovaním; Skontrolujte extrapoláciu.

koncepcie

Význam

Prečo je to dôležité v metalurgii?

Overfitting

Model, ktorý si zapamätá hluk

Je to veľmi jednoduché s malým množstvom testovacích údajov

interpolácia

Predpoveď v rámci tréningového dosahu

Relatívne bezpečný región

extrapolácia

Predpoveď mimo tréningového rozsahu

nespoľahlivý; je potrebný experiment

R²

Podiel rozptylu vysvetlený modelom

Indikátor kvality prispôsobenia

Dôležitosť funkcie

Veľkosť vplyvu vstupu

Kontrola fyzickej rozumnosti

tri mini prípady

Prípad 1 – Zapamätanie modelu. Tím vytvorí komplexný model, ktorý predpovedá medzu klzu so 45 vzorkami ocele; Ukázalo sa, že tréningové údaje sú R² = 0,99 a radujú sa. V testovacích údajoch však klesá na R² = 0,42. Model je overfit. Keď prejdú na jednoduchší model a zvýšia údaje, úspešnosť testu sa zvýši na 0,80. Poučenie: úspešnosť vzdelávania je zavádzajúca; Rozhodnutie sa robí na základe testovacích údajov.

Prípad 2 – Extrapolačná pasca. Inžinier aplikuje model vyškolený na nízkolegovaných oceliach na nehrdzavejúcu kompozíciu s vysokým obsahom Cr. Model hovorí "asi 620 MPa." Skutočná skúška ťahom vychádza na 410 MPa. Zloženie je úplne mimo vzdelávacieho rozdelenia. Lekcia: Pred predikciou je nevyhnutné skontrolovať, či je vstup v rozsahu tréningu.

Prípad 3 – Správne použitie. Tím R&D modeluje vplyv teploty popúšťania na tvrdosť s tisíckami záznamov v skupine zliatin. Model reprodukuje známy fyzikálny trend (tvrdosť klesá so zvyšujúcou sa teplotou popúšťania) a zužuje rozsah zloženia, v ktorom sa dosiahne cieľová tvrdosť. Tím používa model na zníženie počtu experimentov: dosiahnutie cieľa s 8 experimentmi namiesto 40 a overenie každého kroku pomocou meraní. Ponaučenie: ML inteligentne zužuje plánovanie experimentov pomocou dobrých údajov a fyzických kontrol vierohodnosti.

Kopírovateľné šablóny výziev

ŠABLÓNA NASTAVENIA PROBLÉMU ML "Úloha: Ste asistent vedy o materiálových údajoch. Cieľ: [funkcia, ktorú treba predpovedať]. Vstupy: [atribúty]. Mám [n] vzoriek. Pre tento problém: (1) navrhnite vhodné jednoduché a pokročilé možnosti modelu, (2) vysvetlite rozdelenie školenia/testu a metriku hodnotenia, (3) definujte riziká preplnenia údajov a nerobte extrapoláciu jasne;

ŠABLONA AUDITU KVALITY ÚDAJOV"Skontrolujte kvalitu nasledujúcej tabuľky s údajmi: [prilepte stĺpce a vzorové riadky]. Príznak: chýbajúce hodnoty, odľahlé hodnoty, nezrovnalosti jednotiek, nevyvážené rozloženie. Pre každý problém navrhnite, ako ho riešiť. Uveďte, aké kontroly by som mal vykonať pred modelovaním."

ŠABLONA RIADENIA EXTRAPOLÁCIE "Minimálny a maximálny rozsah každého vstupu v mojom tréningovom výnose je: [rozsahy zápisu]. Nová vzorka, ktorú chcem predpovedať, je: [hodnoty zápisu]. Je táto vzorka v rámci alebo mimo rozsahu tréningu v každom atribúte? Ak je mimo, vysvetlite, v ktorých premenných a prečo by bola predpoveď nespoľahlivá. Navrhnite overenie experimentom."

ŠABLONA FYZIKÁLNEJ hodnovernosti "Poradie dôležitosti modelu je [zoradiť]. Je toto poradie v súlade so známymi metalurgickými vzťahmi (napr. Hall-Petch, vytvrdzovanie precipitátu, uhlíkový efekt)? Ak dôjde k fyzikálne neočakávanému účinku, označte ho a vysvetlite možný problém s údajmi/modelom."

Slabá výzva / Silná výzva

SLABÁ VÝZVA: "Predpovedzte medzu klzu na základe tohto zloženia."

SILNÁ VÝZVA: "Úloha: Ste asistent vedy o materiálových údajoch. Mám 800 riadkov údajov o nízkolegovanej oceli (C, Mn, Cr, Ni, teplota popúšťania -> medza klzu). Nová vzorka: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2, teplota=550 °C. Najprv skontrolujte, či je táto vzorka vhodná, ak nie je vhodná, upravte rozsah predpovede, ak nie je vhodný, upravte rozsah predpovede navrhnite experiment Skontrolujte fyzikálnu vierohodnosť pomocou Hall-Petchovho a teplotného efektu.

Silná výzva vyžaduje extrapolačnú kontrolu pred vykonaním predpovede, odstraňuje neistotu a testuje výsledok podľa fyzikálnych zákonov. To poskytuje oveľa spoľahlivejší základ pre rozhodovanie ako surové číslo.

Časté chyby

• Zamieňanie vzdelávacieho úspechu za skutočný úspech (vynechanie nadmerného vybavenia).
• Hodnotenie modelu bez vykonania tréningového/testovacieho rozdelenia.
• Prijatie odhadu vytvoreného v extrapolačnej oblasti ako bezpečného.
• Vytváranie zložitých modelov s malým množstvom a nevyváženými údajmi.
• Neporovnávanie dôležitosti funkcie s fyzickou hodnovernosťou.
• Vloženie kritického odhadu do návrhu bez overenia experimentom.

V súhrne

Strojové učenie účinne zachytáva vzťahy medzi kompozíciou, procesom a vlastnosťami pomocou dobrých údajov a inteligentne zužuje plánovanie experimentov. Ale model je len taký dobrý, ako dobré sú jeho údaje; Tréningové výsledky môžu byť zavádzajúce (overfitting) a odhady mimo tréningového rozsahu (extrapolácia) sú nespoľahlivé. Otestujte každú predpoveď s úspešnosťou testovacích údajov, kontrolou extrapolácie, fyzikálnou vierohodnosťou a v kritických prípadoch skutočným experimentovaním.

Aplikačná úloha

Definujte problém predikcie vlastnosti s existujúcim (alebo fiktívnym) súborom údajov o materiáli: zapíšte si cieľ a vstupy. Požiadajte o prístup od AI pomocou šablóny „ML PROBLEM FIGURE“. Potom definujte „novú vzorku“ a pomocou šablóny „KONTROLA EXTRAPOLÁCIE“ skontrolujte, či je táto vzorka v rámci tréningového rozsahu. Nakoniec v odseku popíšte, akým experimentom budete overovať výstup modelu.

kontrolný zoznam

• [ ] Jasne som definoval cieľ a vstupy.
• [ ] Skontroloval som kvalitu údajov (chýbajúce, odľahlá hodnota, jednotka, zostatok).
• [ ] Úprimnú úspešnosť som meral rozdelením tréning/test.
• [ ] Skontroloval som extrapolačné riziko pre každý odhad.
• [ ] Porovnal som dôležitosť funkcie s fyzickou hodnovernosťou.
• [ ] Urobil som plán na overenie kritickej predpovede skutočným experimentovaním.