Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00010669%3A_____%2F23%3AN0000005" target="_blank" >RIV/00010669:_____/23:N0000005 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.sciencedirect.com/science/article/pii/S0142112322007332" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0142112322007332</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.ijfatigue.2022.107483" target="_blank" >10.1016/j.ijfatigue.2022.107483</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach

Popis výsledku v původním jazyce

In this work, a framework based on the machine learning (ML) approach and Spearman’s rank correlation analysis is introduced as an effective instrument to solve the influence of defects detected by micro-computed tomography (μCT) method, and stress amplitude on the fatigue life performance of AM Ti-6Al-4V. Artificial neural network (ANN), random forest regressor (RFR) and support vector regressor (SVR) models are implemented and optimized. The optimization is performed on training set by tuning the hyperparameters and parameters using the leave-one-out cross validation (LOOCV) technique. The results present comparison between predicted and experimental results and validate the proposed framework.

Název v anglickém jazyce

Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach

Popis výsledku anglicky

In this work, a framework based on the machine learning (ML) approach and Spearman’s rank correlation analysis is introduced as an effective instrument to solve the influence of defects detected by micro-computed tomography (μCT) method, and stress amplitude on the fatigue life performance of AM Ti-6Al-4V. Artificial neural network (ANN), random forest regressor (RFR) and support vector regressor (SVR) models are implemented and optimized. The optimization is performed on training set by tuning the hyperparameters and parameters using the leave-one-out cross validation (LOOCV) technique. The results present comparison between predicted and experimental results and validate the proposed framework.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

20304 - Aerospace engineering

Projekt

—

Návaznosti

R - Projekt Ramcoveho programu EK

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

International Journal of Fatigue

ISSN

0142-1123

e-ISSN

0142-1123

Svazek periodika

169

Číslo periodika v rámci svazku

4/2023

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

12

Strana od-do

—

Kód UT WoS článku

000999617800001

EID výsledku v databázi Scopus

2-s2.0-85146099044