چکیده

Machine learning (ML) has developed into an effective technique for predicting wear behavior of solid materials. Ultrahigh-carbon steels are mostly utilized in the fabrication of working devices such as rolling mills forklifts and bulldozers as well as metal forming tools. These steels must meet the following criteria adequate hardenability wear resistance maximum strength fracture toughness and high hardness. The amount of carbon in steel determines its hardness. Wear is the most typical mode of failure for these materials. As a result it’s important to understand the wear rate under different operating conditions. In the present work the input parameters (sliding speed normal load and sliding distance) on the experimentally measured wear rate of ultrahigh-carbon steels are used as dataset for ML Algorithms. The efficiency of different types of machine learning algorithms to predict the wear rate of ultrahigh-carbon steel is explored.

کليدواژه ها

Linear Regression Random Forest Pin-on-disc testing machine Ultrahigh-carbon steel Mean Absolute Error Root Mean Square Error

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
پورنیما هولی پالد , 1400 , کاربرد یادگیری ماشن برای پیش بینی رفتار سایشی فولاد کربنی فوق العاده بالا , اولین کنفرانس بین المللی ریاضیات و کاربردها