Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning
Deze studie presenteert een interpreteerbaar machine learning-framework met behulp van een Random Forest Regressor en een Logistic Regression classifier op 2.672 meercomponenten legeringssystemen om mechanische en thermische eigenschappen nauwkeurig te voorspellen en tegelijkertijd vanadium, ijzer, wolfraam en koolstof te identificeren als belangrijke compositionele drijfveren, waardoor schaalbare en datagestuurde materiaalkundige ontdekking mogelijk wordt.