通过机器学习和模拟退火方法，本研究提出了一种优化三维周期性最小曲面结构的拉伸应力的新方法。评估了随机森林、决策树和 XGBoost 模型在预测拉伸应力方面的性能，使用来自有限元分析的数据集生成。结果表明，SA-XGBoost 模型在捕捉数据中的复杂关系方面表现最佳，其 R 平方值为 0.96。相比之下，SA - 随机森林模型的 R 平方值为 0.89，而 SA - 决策树模型在验证得分方面波动较大。这表明，SA-XGBoost 模型能够最有效地捕捉数据中的复杂关系。SA 的整合有助于优化这些机器学习模型的超参数，提高其预测能力。

May, 2024

本研究介绍了神经符号人工智能（NSAI）在预测增材制造聚乳酸（PLA）零件的撞击强度方面的应用，该应用结合了神经网络和符号人工智能的优势，比传统机器学习技术提供更强大和准确的预测，从而彰显了优化增材制造过程的潜力。

May, 2023

本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

Oct, 2020

通过结合监督式机器学习和基于物理的神经网络，本研究使用先进的方法预测了加性摩擦搅拌沉积（AFSD）过程中的峰值温度分布，为优化材料微结构提供了全面的见解。

Sep, 2023

该研究使用可解释性人工智能技术，分析添加制造过程中充填比例、层高度、挤出温度和打印速度等不同输入参数对材料拉伸强度的影响，并发现充填比例和挤出温度对拉伸强度的影响最大，层高度和打印速度的影响相对较小。此外，研究还发现输入参数与拉伸强度之间的关系非常复杂和非线性，难以用简单的线性模型准确描述。

May, 2023

本研究提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印的元件进行微波表征。通过使用多个机器学习算法并自动选择最佳算法来提取材料参数（墨水电导率和介电性能），并利用喷墨打印共面波导（CPW）材料参数与电磁仿真传播常数之间的相互依赖关系训练机器学习模型，然后利用这些机器学习模型和测得的传播常数提取测试样机的墨水电导率和介电性能，最后通过比较四种启发式机器学习模型，证明了 eXtreme Gradient Boosted Trees Regressor（XGB）和 Light Gradient Boosting（LGB）算法在研究中的表征问题中表现最佳。

Apr, 2024

本研究提出了一种基于机器学习的材料模型框架，分别适用于弹性和塑性模型，其中弹性模型采用前馈神经网络（FNN）直接建立，而塑性模型则采用 Proper Orthogonal Decomposition Feed forward Neural Network（PODFNN）建立，处理多维组合多轴应变应力数据。本文还研究了如何将机器学习材料模型应用于有限元分析中，通过数值算例展示了该方法的有效性和普适性。

Jan, 2020

本文介绍了一种基于机器学习的综合框架，用于金属增材制造过程中机械性能的预测，并提出了利用 SHAP 分析对机器学习模型预测结果进行解释和解读的方法，同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。

Aug, 2022

这篇研究论文介绍了一种利用时间序列数据和领域知识的机器学习算法，以预测真菌孢子浓度，从而实现纸浆和造纸行业的实时质量控制。

Sep, 2023

本文提出了一种基于人工智能的材料发现的深度学习模型管道，用于预测垂直定向碳纳米管林图像的机械性能，并结合使用多层合成的图像和基于物理的模型来估算这些图像的机械属性，从而实现对碳纳米管制备过程的了解与控制。

Jul, 2023