| مشخصات مقاله | |
| ترجمه عنوان مقاله | شتاب ساخت نمودار فازی توسط یادگیری ماشین با ترکیب قانون فازی گیبس |
| عنوان انگلیسی مقاله | Acceleration of phase diagram construction by machine learning incorporating Gibbs’ phase rule |
| انتشار | مقاله سال ۲۰۲۲ |
| تعداد صفحات مقاله انگلیسی | ۶ صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | Scopus – Master Journals List – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
۵٫۶۱۱ در سال ۲۰۲۰ |
| شاخص H_index | ۱۹۵ در سال ۲۰۲۰ |
| شاخص SJR | ۲٫۰۲۷ در سال ۲۰۲۰ |
| شناسه ISSN | ۱۳۵۹-۶۴۶۲ |
| شاخص Quartile (چارک) | Q1 در سال ۲۰۲۰ |
| فرضیه | ندارد |
| مدل مفهومی | ندارد |
| پرسشنامه | ندارد |
| متغیر | ندارد |
| رفرنس | دارد |
| رشته های مرتبط | مهندسی مواد، مهندسی کامپیوتر |
| گرایش های مرتبط | مهندسی مواد مرکب، نانو فناوری، هوش مصنوعی |
| نوع ارائه مقاله |
ژورنال |
| مجله | Scripta Materialia |
| دانشگاه | مهندسی مواد، مهندسی کامپیوتر |
| کلمات کلیدی | نمودار فازی، یادگیری ماشین، آلیاژها، روش های تحلیلی |
| کلمات کلیدی انگلیسی | Phase diagram, Machine learning, Alloys, Analytical methods |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.scriptamat.2021.114335 |
| کد محصول | E15736 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Abstract Graphical abstract Keywords Declaration of Competing Interest Acknowledgment Appendix. Supplementary materials References |
| بخشی از متن مقاله: |
| Abstract To efficiently construct phase diagrams of alloy systems, a machine learning-based method advanced by thermodynamics on phase equilibria is proposed. With the use of uncertainty sampling in active learning, the next point to be synthesized or measured can be recommended to efficiently draw the phase diagram. For appropriate recommendations, two ingenuities are introduced in the machine learning method: training data preparation when the multiphase coexisting region is detected and search space reduction based on the Gibbs’ phase rule. We demonstrate the construction of ternary phase diagrams using our machine learning method by incorporating these ingenuities. The complicated phase diagram of alloy systems could be effectively plotted even when knowing only the information of single-component systems in the initial step. The recommendation made by our machine learning method can help reduce the number of experiments required to construct a phase diagram to approximately 1/8 compared with random sampling. |