> For the complete documentation index, see [llms.txt](https://ykkim.gitbook.io/wiki/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://ykkim.gitbook.io/wiki/industrial-ai/tempcore-journal/machine_learning_of_mechanical_properties_of_steels.md).
# Machine learning of mechanical properties of steels
2020, Jie et. al., SCIENCE CHINA Technological Sciences
## 1. Introduction
본 논문은 5가지 ML 알고리즘(특히 랜덤 포레스트 및 Symbolic regression)을 사용해 steel의 4가지 기계적 특성을 예측
## 2. Data source
* 일본 재료과학연구소(NIMS)에서 공개한 철강 데이터셋 사용
* 세계 최대의 실험 데이터셋 중 하나임
* fatigue strength, tensile strength, fracture strength, hardness, room temperature, chemical composition, proceeding condition 등의 정보 포함
* 피로강도에 대한 얘기
* heating rate and cooling rate는 사용할 수 없었음
* 열처리 온도 3가지 포함: Normalizing(불림), Quenching, Tempering
* 열처리 시간 불포함
* 불림 처리, 퀜칭, 템퍼링 처리가 없는 데이터를 제외하여 360개의 데이터로 줄어듦
## 3. Result and discussion
### 3.1 ML models with all features
* 4개의 ML 알고리즘 사용: RF, LLS(linear least-square), kNN, ANN
* 16개의 feature 사용
* 10-fold cross-validation
* 성능 측정: R(correlation coefficient), RRMSE 사용
$$
\eqalign{ & R = {{\left| {\sum\nolimits\_{i = 1}^n {\left( {{y\_i} - \bar y} \right)\left( {{{\hat y}*i} - \bar y} \right)} } \right|} \over {\sqrt {\sum\nolimits*{i = 1}^n {{{\left( {{y\_i} - \bar y} \right)}^2}} \sum\nolimits\_{i = 1}^n {{{\left( {{{\hat y}*i} - \bar y} \right)}^2}} } }} \cr & RRMSE = \sqrt {{1 \over n}\sum\limits*{i = 1}^n {{{\left( {{{{y\_i} - {{\hat y}\_i}} \over {{y\_i}}}} \right)}^2}} } \cr}
$$
* RF는 fracture strength에 대해 가장 좋은 예측
* ANN은 fatigue strength, tensile strength에 대해 가장 좋은 예측
### 3.2 Feature selection
* RFI: RF에 의해 계산된 importance of feature
* Mo, Cr, NT, TT가 가장 중요한 feature
* SRI: SR에 의해 계산된 importance of feature
* TT, C, Cr, Mo가 가장 중요한 요소
* RFI, SRI로 선택한 feature들로 ML 알고리즘 적용
* SRI subset으로 RF 진행한 결과가 가장 성능이 좋았음
### 3.3 Mathematical expressions
* SR(Symbolic Regression)이란
* mathematical expression을 찾는 회귀 방법
* SR의 결과
* 높은 예측력을 보임
* (3)\~(6)에 따른면 템퍼링 온도가 낮을 수록 TS와 Hardness가 향상됨
### 3.4 ML model based on atomic features
* 예측 성능을 일반화하기 위해 atomic feature를 사용
* iron은 steel의 matrix임
* steel의 합금원소는 iron matrix(용매) 내에서 '용질'로 작용해 합금원소와 화합물을 형성하거나 작은 cluster로 침전될 수 있음
* r\_i = 원소 i의 원자 반경
* x\_i = 원소 x의 pauling electroengativity
* a\_i는 다음과 같이 표현 가능
$$
\eqalign{ & {a\_i} = {{{x\_i}/{M\_i}} \over {\sum\nolimits\_i {\left( {{x\_i}/{M\_i}} \right)} }} \cr & where,{M\_i} = atomic,weight,of,element,i \cr}
$$
* RF와 SR로 atomic feature 선택
* RFI로 선택한 feature
tVEC, dVEC-Fe, dVEC-C and TT for fatigue strength and hardness
tVEC, aFe, dVEC-C and TT for tensile strength and fracture strength
* SRI로 선택한 feature
dVEC-C, dr-Fe, aFe and TT for all four mechanical properties
* RF 및 SR로 선택된 feature를 RFI-AF, SRI-AF로 명명
* SRI, RFI로 선택한 feature의 RF 모델 예측 결과
* All-AF가 SRI-AF와 유사한 성능
* SRI, RFI로 선택한 feature의 SR 결과
* 합금 원소가 강의 강도를 향상시킴
* 예측 결과
### 3.5 Development of anti-fatigue high-strength steel
* eqs 3-6, 7-10으로 예측한 결과와 조금 차이남
## 4. Conclusion
위 내용 요약