Effect of Training Data Ratio and Normalizing on Fatigue Lifetime Prediction of Aluminum Alloys with Machine Learning

سال انتشار: 1403
محل انتشار: ماهنامه بین المللی مهندسی، دوره: 37، شماره: 7
کد COI اختصاصی: JR_IJE-37-7_009
زبان مقاله: انگلیسی
تعداد مشاهده: 26

نویسندگان

Faculty of Mechanical Engineering, Semnan University, Semnan, Iran

چکیده

It is critical to evaluate the estimation of the fatigue lifetimes for the piston aluminum alloys, particularly in the automotive industry. This paper investigates the effect of different normalization methods on the performance of the fatigue lifetime estimation using Extreme Gradient Boosting (XGBoost), as a supervised machine learning method. For this purpose, the dataset used in this study includes various physical and experimental inputs related to an aluminum alloy and the corresponding fatigue lifetime outputs. Furthermore, before fitting the XGBoost model, different fatigue lifetime preprocessing methods were utilized and evaluated using metrics such as Root Mean Square Error (RMSE), Determination Coefficient (R۲), and Scatter Band (SB). The results indicate that modeling fatigue lifetime with logarithmic values as a preprocessing method excels when XGBoost is trained with ۱۰۰% of the data. However, other normalization methods demonstrate superior accuracy in estimating test data with a ۲۰% test and ۸۰% train set split.

کلیدواژه ها

Machine Learning, Fatigue lifetime, Extreme gradient boosting, Aluminum alloys, Normalization techniques, Training data percentage

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.