English(EN) Machine Learning-based Correlation of Charpy Impact Properties Between Sub-sized and Standard-sized Specimens for Nuclear Structural Materials

机器学习改进核材料夏比冲击性能相关性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-14 04:00

研究人员开发了一种新颖的机器学习框架，能够准确地关联亚尺寸和标准尺寸试样的夏比冲击测试结果。该方法解决了现有分析方法的局限性，这些方法通常缺乏精度和材料特异性。机器学习框架映射了延性-脆性转变区域的吸收能量值，从而能够提取上屈服能（USE）和延性-脆性转变温度（DBTT）等关键性能。该方法在SA533B钢上进行了验证，在USE和DBTT上的R2值分别达到了0.942和0.892，优于传统技术，并可用于材料监测计划。 AI

影响这种机器学习方法可以提高核工程等关键应用中材料性能评估的准确性和效率。

排序理由该项目是一篇研究论文，详细介绍了一种用于材料科学应用的新机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yugandhar Kasala Sreenivasulu, Isshu Lee, John W. Merickel, Fei Xu, Yalei Tang, Joshua E. Rittenhouse, Aleksandar Vakanski, Rongjie Song · 2026-07-14 04:00

Machine Learning-based Correlation of Charpy Impact Properties Between Sub-sized and Standard-sized Specimens for Nuclear Structural Materials

arXiv:2607.10412v1 Announce Type: new Abstract: Reliable correlations of Charpy impact test results between sub-sized and full-sized specimens are essential for structural integrity assessments, particularly in nuclear applications, where spatial constraints and limited material …

报道来源 [1]

Machine Learning-based Correlation of Charpy Impact Properties Between Sub-sized and Standard-sized Specimens for Nuclear Structural Materials

相关实体

相关话题