Fatigue Life Prediction of 2024-T3 Al Alloy by Integrating Particle Swarm Optimization—Extreme Gradient Boosting and Physical Model

The multi-parameter characteristics of the physical model pose a challenge to the fatigue life prediction of 2024-T3 aluminum (Al) alloy. In response to this issue, a parameter-solving method that integrates particle swarm optimization (PSO) with extreme gradient boosting (XGBoost) is proposed in th...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Materials Ročník 17; číslo 21; s. 5332
Hlavní autoři:	Li, Zhaoji, Yue, Haitao, Zhang, Ce, Dai, Weibing, Guo, Chenguang, Li, Qiang, Zhang, Jianzhuo
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Switzerland MDPI AG 01.11.2024
Témata:	Accuracy Algorithms Alloys Aluminum alloys Aluminum base alloys Analysis Crack initiation Crack propagation Energy methods Error analysis Failure mechanisms Fatigue Fatigue failure Fatigue life Fatigue testing machines Fracture mechanics Hydraulics Life prediction Machine learning Materials Mathematical optimization Metal fatigue Parameters Particle swarm optimization Physical properties Prediction models Research methodology Specialty metals industry Stress concentration extreme gradient boosting particle swarm optimization Al alloy fatigue life multi-parameter physical model
ISSN:	1996-1944, 1996-1944
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!