Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning
Este estudio presenta un marco de aprendizaje automático interpretable que utiliza un regresor de Bosque Aleatorio y un clasificador de Regresión Logística sobre 2.672 sistemas de aleaciones multicomponente para predecir con precisión las propiedades mecánicas y térmicas, identificando al vanadio, el hierro, el tungsteno y el carbono como factores composicionales clave, permitiendo así un descubrimiento de materiales escalable y basado en datos.