.png){kind=icon}
返回
Accelerating tribological material discovery: A machine learning framework with predictive insights
.png){kind=icon}
PRE
AI
DOI：10.1016/j.triboint.2025.110862.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统摩擦学材料选择过程缓慢、实验强度大且缺乏可扩展性。本研究探索机器学习（ML）以加速具有低摩擦和耐磨性等理想摩擦学性能材料的发现。使用Cu/Al-石墨复合材料的实验数据，训练并比较了五种ML模型。LSBoost在预测摩擦系数和磨损率方面显示出最高的准确性。提出了一种分层ML框架，结合预测建模与决策阈值，在基础性能不达标时推荐合金化或涂层策略。该方法显著减少了试错实验，并支持可扩展、数据驱动的材料设计。该框架在优化摩擦学性能方面展现出巨大潜力，有望推动航空航天、汽车和生物医学工程领域的材料选择进步。
期刊
IF:
6.9
论文数:
1.2W
被引数:
4.2W
机构
引用论文
暂无论文信息