SA533B

机器学习改进核材料夏比冲击性能相关性

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。