返回
Machine learning based predicting the dimensionless fracture parameters from different bend-type specimens
DOI:10.1007/s43452-025-01393-2.png)
摘要
En 中文
在线性弹性断裂力学(LEFM)的范围内,存在多个无量纲参数,称为几何因子。计算几何因子是一个耗时且计算资源密集的过程。本研究评估了各种机器学习模型对无量纲断裂参数(YI、YII、T*)的预测能力。为此,考虑了三种断裂试样,包括单边缺口弯曲(SENB)、半圆形弯曲(SCB)和边缘缺口圆盘弯曲(ENDB)。评估在完整的I/II型脆性断裂条件下进行。作为第一步,对数据集进行了统计描述,包括分布评估、参数相关性以及数据集对输入变量敏感性的检验。使用多样化的数据集,本研究测试了线性模型、Lasso、Ridge、偏最小二乘法、决策树、人工神经网络、随机森林、梯度提升机(GBM)、提升树、支持向量回归和高斯过程回归模型。假设不同的训练/测试比例,以评估模型对训练比例的依赖性。
Keyword:
Mode I/II rock fracture toughness
Machine learning algorithms
Sensitivity analysis
Probabilistic and ensemble models
Bend specimens
期刊
IF:
4.4
论文数:
2.5K
被引数:
6.2K
机构
引用论文
Estimating the effective fracture toughness of a variety of materials using several machine learning models使用几种机器学习模型估算各种材料的有效断裂韧性

