Details

Работа посвящена разработке и применению моделей машинного обучения для прогнозирования максимального диаметра аморфного образца (Dmax) как ключевого показателя стеклообразующей способности (GFA) аморфных металлических сплавов (АМС). Задачи, которые решались в ходе исследования: 1) обзор литературы по аморфным металлическим сплавам, их свойствам, проблемам производства и методам оценки GFA; 2) формализация задачи прогнозирования Dmax как задачи регрессии; 3) сбор и предобработка данных о составе и термических свойствах АМС, включая нормализацию и анализ пропущенных значений; 4) визуализация данных для выявления взаимосвязей между признаками и потенциальных выбросов; 5) выбор и обоснование оптимальной модели машинного обучения для прогнозирования Dmax на основе сравнительного анализа различных алгоритмов регрессии; 6) обучение и оценка выбранной модели с использованием метрик качества MSE и R2, а также K-кратной перекрестной проверки; 7) анализ важности признаков для определения ключевых параметров, влияющих на Dmax; 8) исследование дополнительных параметров, характеризующих GFA, таких как приведенная температура стеклования (Trg) и температурный интервал стабильности переохлажденной жидкости (∆Tx); 9) интерпретация модели с использованием SHAP значений для оценки вклада каждого признака в прогнозирование Dmax и выявления закономерно- стей влияния параметров на GFA. На основе параметров Tg, Tl, Tx, TEN, VA, Sm, d и Dmax была разработана регрессионная модель с использованием алгоритма экстра-деревьев. Эта модель продемонстрировала лучшие результаты по сравнению с другими подходами. Анализ значений SHAP позволил не только определить наиболее важные параметры для прогнозирования Dmax, но и выявить закономерности их влияния на GFA, что подтверждает возможность применения методов машинного обучения для прогнозирования свойств аморфных металлических сплавов.

This work is devoted to the development and application of machine learning models for predicting the maximum diameter of an amorphous sample (Dmax) as a key indicator of glass forming ability (GFA) of amorphous metal alloys. The objectives of the study were: 1) literature review on amorphous metal alloys, their properties, production problems and GFA evaluation methods; 2) formalisation of the Dmax prediction problem as a regression problem; 3) Collection and preprocessing of data on the composition and thermal properties of amorphous metal alloys, including normalisation and analysis of missing values; 4) data visualisation to identify relationships between features and potential emissions; 5) selection and validation of an optimal machine learning model for Dmax prediction based on a comparative analysis of different regression algorithms; 6) training and evaluating the selected model using MSE and R2 quality metrics and K-fold cross-validation; 7) analysing the importance of features to identify key parameters, affecting Dmax; 8) Investigation of additional parameters that characterise GFA, such as the reduced glass transition temperature (Trg) and the temperature interval of the of supercooled liquid stability (∆Tx); 9) model interpretation using SHAP values to evaluate the contribution of each trait to the prediction of Dmax and to identify patterns of parameter effects on GFA. Based on the parameters Tg, Tl, Tx, TEN, VA, Sm, d and Dmax, a regression model was developed using the extra-tree algorithm. This model showed better results compared to other approaches. The analysis of SHAP values allowed not only to identify the most important parameters for Dmax prediction, but also to identify patterns of their influence on the GFA, which confirms the possibility of using machine learning methods to predict the properties of amorphous metal alloys.

• ВВЕДЕНИЕ
• ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
  • Особенности аморфных металлических сплавов
  • Проблемы производства и понимания
  • Стеклообразующая способность
  • Формализованная постановка задачи прогнозирования Dmax
  • Математические основы прогнозирования свойств АМС
    • Модели машинного обучения для задач регрессии
    • Регуляризация
    • Поиск по сетке для настройки гиперпараметров
    • Интерпретация модели с использованием SHAP-значений
• РАЗРАБОТКА МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ
  • Обработка данных
  • Визуализация данных
  • Выбор лучшей модели
• АНАЛИЗ ПАРАМЕТРОВ СТЕКЛООБРАЗУЮЩЕЙ СПОСОБНОСТИ И ИНТЕРПРЕТАЦИЯ ЛУЧШЕЙ МОДЕЛИ
  • Анализ параметров, влияющих на GFA
  • Анализ SHAP значений для интерпретации модели
    • Метод расчета SHAP значений
    • Интерпретация визуализации SHAP значений
    • Анализ влияния характеристик на Dmax
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Приложение Код для создания датасета
• Приложение Код обучения моделей