> 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
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://ykkim.gitbook.io/wiki/industrial-ai/tempcore-journal/machine_learning_of_mechanical_properties_of_steels.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.