Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning
Este estudo apresenta uma estrutura de aprendizado de máquina interpretável utilizando um Regressor de Floresta Aleatória e um classificador de Regressão Logística em 2.672 sistemas de ligas multicomponentes para prever com precisão propriedades mecânicas e térmicas, identificando o Vanádio, Ferro, Tungstênio e Carbono como principais direcionadores composicionais, permitindo, assim, a descoberta de materiais escalável e orientada por dados.