Производство энергии на Земле посредством ядерного синтеза, типа реакции, которая питает Солнце, оказалось серьезной проблемой. Экстремальные условия, необходимые для такой реакции, требуют, чтобы стенки устройства ядерного синтеза были изготовлены из материала с определенным набором механических свойств, включая способность выдерживать невероятно высокие температуры и быть устойчивыми к ударам и коррозии. Аустенитная сталь, немагнитная сталь с кристаллической структурой, является одним из материалов, рассматриваемых для использования в устройствах ядерного синтеза.
В новой статье в The European Physical Journal D Иван Трапарич и Миливое Ивкович из Института физики в Белграде, Сербия, исследуют эффективный способ прогнозирования состава аустенитной стали.
Они обнаружили, что спектроскопия лазерно-индуцированного пробоя — метод определения количества элементов в материале — в сочетании с глубокой нейронной сетью — методом машинного обучения — была наиболее эффективной. Этот метод может быть использован для определения элементного состава образца стали лицами, не имеющими доступа к сертифицированным образцам стали.
Исследователи использовали методы машинного обучения в сочетании со спектроскопией лазерного пробоя, чтобы ускорить процесс идентификации элементов, из которых состоят образцы аустенитной стали. Они использовали критерий, называемый тестом на примеси Джини, чтобы выбрать наиболее важные данные из своего набора данных, что позволило им минимизировать его сложность. Затем они использовали этот упрощенный набор данных для обучения своих моделей машинного обучения определению состава образцов стали.
Авторы приходят к выводу, что при использовании в сочетании со спектроскопией лазерного пробоя нейронная сеть лучше предсказывала состав аустенитной стали, чем случайный лес — метод машинного обучения, использующий набор деревьев решений.
