A machine learning based approach with an augmented dataset for fatigue life prediction of additively manufactured Ti-6Al-4V samples
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00010669%3A_____%2F23%3AN0000016" target="_blank" >RIV/00010669:_____/23:N0000016 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.sciencedirect.com/science/article/pii/S0013794423006677?via%3Dihub" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0013794423006677?via%3Dihub</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.engfracmech.2023.109709" target="_blank" >10.1016/j.engfracmech.2023.109709</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A machine learning based approach with an augmented dataset for fatigue life prediction of additively manufactured Ti-6Al-4V samples
Popis výsledku v původním jazyce
The article deals with the prediction of fatigue life using a machine learning (ML) approach. The original dataset is based on the parameters of defects obtained by micro-computed tomography (μ-CT) prior to fatigue tests, stress level and the fatigue life of additively manufactured (AM) Ti-6Al-4V samples. As the original dataset is considered too small to train a comprehensive ML model, the study proposed a novel approach for dataset augmentation. Dataset augmentation is done using inverse transform sampling and multivariate radial basis function (RBF) interpolation with various values of the smoothing parameter. Finally, ML model accuracy is improved up to 0.953 of coefficient of determination.
Název v anglickém jazyce
A machine learning based approach with an augmented dataset for fatigue life prediction of additively manufactured Ti-6Al-4V samples
Popis výsledku anglicky
The article deals with the prediction of fatigue life using a machine learning (ML) approach. The original dataset is based on the parameters of defects obtained by micro-computed tomography (μ-CT) prior to fatigue tests, stress level and the fatigue life of additively manufactured (AM) Ti-6Al-4V samples. As the original dataset is considered too small to train a comprehensive ML model, the study proposed a novel approach for dataset augmentation. Dataset augmentation is done using inverse transform sampling and multivariate radial basis function (RBF) interpolation with various values of the smoothing parameter. Finally, ML model accuracy is improved up to 0.953 of coefficient of determination.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
20304 - Aerospace engineering
Návaznosti výsledku
Projekt
—
Návaznosti
R - Projekt Ramcoveho programu EK
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Engineering Fracture Mechanics
ISSN
0013-7944
e-ISSN
1873-7315
Svazek periodika
293
Číslo periodika v rámci svazku
12/2023
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
19
Strana od-do
—
Kód UT WoS článku
001112329800001
EID výsledku v databázi Scopus
2-s2.0-85176265491