Regression Using Machine Learning and Neural Networks for Studying Tribological Properties of Wear-Resistant Layers

• Autorzy: Malinowski Paweł , Kasińska Justyna

Identyfikatory

DOI

10.5604/01.3001.0015.8984

Warianty tytułu

PL

Zastosowanie regresji z wykorzystaniem uczenia maszynowego i sieci neuronowych w badaniach właściwości tribologicznych warstw trudnościeralnych

• Języki publikacji: EN

Abstrakty

EN

Artificial intelligence is becoming commonplace in various research and industrial fields. In tribology, various statistical and predictive methods allow an analysis of numerical data in the form of tribological characteristics and surface structure geometry, to mention just two examples. With machine learning algorithms and neural network models, continuous values can be predicted (regression), and individual groups can be classified. In this article, we review the machine learning and neural networks application to the analysis of research results in a broad context. Additionally, a case study is presented for selected machine learning tools based on tribological tests of padding welds, from which the tribological characteristics (friction coefficient, linear wear) and wear indicators (maximum wear depth, wear area) were determined. The study results were used in exploratory data analysis to establish the correlation trends between selected parameters. They can also be the basis for regression analysis using machine learning algorithms and neural networks. The article presents a case study using these approaches in the tribological context and shows their ability to accurately and effectively predict selected tribological characteristics.

PL

Zastosowanie sztucznej inteligencji w różnych dziedzinach nauki i przemysłu jest coraz bardziej powszechne. Duża różnorodność metod statystycznych i predykcyjnych umożliwia użycie ich również w tribologii. Analiza danych liczbowych w postaci charakterystyk tribologicznych, struktury geometrycznej powierzchni oraz wielu innych wymaga zastosowania narzędzi informatycznych oraz statystycznych. Wykorzystanie algorytmów uczenia maszynowego i budowanie modelu sieci neuronowej umożliwi prognozowanie wartości ciągłych (regresja) oraz klasyfikowanie poszczególnych grup. W artykule autorzy dokonują przeglądu możliwości aplikacyjnych algorytmów uczenia maszynowego i sieci neuronowych do analizy wyników badań w szerokim kontekście. Dodatkowo zaprezentowano studium przypadku dla wybranych narzędzi uczenia maszynowego na podstawie przykładowych badań tribologicznych napoin, dla których przeprowadzono testy, w których wyznaczono charakterystyki tribologiczne (współczynnik tarcia, zużycie liniowe) oraz wskaźniki zużycia (maksymalna głębokość wytarcia, pole wytarcia). Wyniki badań były podstawą do przeprowadzenia analizy eksploracyjnej i posłużyły do wykazania korelacji pomiędzy wybranymi parametrami. Autorzy przekonują, że mogą one być podstawą do analizy regresji z wykorzystaniem algorytmów uczenia maszynowego i sieci neuronowych. W artykule zaprezentowano studium przypadku z wykorzystaniem tych podejść w kontekście tribologicznym oraz pokazano ich zdolność do dokładnego i skutecznego przewidywania wybranych charakterystyk tribologicznych.

Słowa kluczowe

EN

machine learning; neural networks; regression; tribology; tribological characteristics; wear indicators

PL

uczenie maszynowe; sieci neuronowe; regresja; tribologia; charakterystyka tribologiczna; wskaźniki zużycia

• Wydawca: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
• Czasopismo: Tribologia
• Rocznik: 2022
• Tom: nr 1
• Strony: 57--64
• Opis fizyczny: Bibliogr. 17 poz., rys., tab., wykr.

Twórcy

autor

Malinowski Paweł

• Faculty of Foundry Engineering, AGH University of Science and Technology, Mickiewicza 30 Ave, 30-059 Krakow, Poland

• https://orcid.org/0000-0001-5363-8153

autor

Kasińska Justyna

• Department of Metal Science and Materials Technology, Kielce University of Technology, Tysiąclecia Państwa Polskiego 7 Ave, 25-314 Kielce, Poland

• https://orcid.org/0000-0002-2225-0639

Bibliografia

• 1. Rosenkranz A., Marian M., Profito F.J., Aragon N., Shah R.: The Use of Artificial Intelligence in Tribology – A Perspective. Lubricants 2021, 9, 2, https://doi.org/10.3390/lubricants9010002.
• 2. Malinowski P.: Poradnik Odlewnika, Zastosowanie sztucznej inteligencji w odlewnictwie – w opracowaniu [Artificial Intelligence in Founding – in Polish]
• 3. Ciulli, E.: Tribology and industry: From the origins to 4.0. Front. Mech. Eng. 2019, 5, 103.
• 4. Zhang Z., Yin N., Chen S., Liu C.: Tribo-informatics: Concept, architecture, and case study. Friction2021, 9, pp. 642–655.
• 5. James G., Witten D., Hastie T., Tibshirani R.: An Introduction to Statistical Learning: With Applications in R; Springer: Basel, Switzerland 2017; ISBN 978-1-4614-7138-7.
• 6. Murphy K.P.: Machine Learning: A Probabilistic Perspective; MIT Press: Cambridge, UK, 2013; ISBN978-0262018029.
• 7. Barber D.: Bayesian Reasoning and Machine Learning; Cambridge University Press: Cambridge, UK,2012; ISBN 978-0521518147.
• 8. Friedrich K., Reinicke R., Zhang Z.: Wear of polymer composites. Proc. Inst. Mech. Eng. 2002, 216,pp. 415–426.
• 9. Argatov I.: Artificial Neural Networks (ANNs) as a Novel Modeling Technique in Tribology. Front. Mech. Eng. 2019, 5, 1074.
• 10. Malinowski P., Kasińska J., Rutkowski S., Madej M.: Exploratory Data Analysis for the Evaluation of Tribological Properties of Wear-Resistant Surface Layers Modified with Rare-Earth Metals. Materials 2022, 15, 2032, https://doi.org/10.3390/ma15062032.
• 11. Schwarz S., Grillenberger H., Graf-Goller O., Bartz M., Tremmel S., Wartzack S.: Using Machine Learning Methods for Predicting Cage Performance Criteria in an Angular Contact Ball Bearing. Lubricants 2022, 10, 25, https://doi.org/10.3390/lubricants10020025.
• 12. Marian M., Tremmel S.: Current Trends and Applications of Machine Learning in Tribology –A Review. Lubricants 2021, 9, 86, https://doi.org/10.3390/lubricants9090086.
• 13. Titov Banerjee, Swati Dey, Aluru Praveen Sekhar, Shubhabrata Datta, Debdulal Das, Design o Alumina Reinforced Aluminium Alloy Composites with Improved Tribo-Mechanical Properties: A Machine Learning Approach. The Indian Institute of Metals – IIM 2020.
• 14. Dietterich T.G., Domingos P., Getoor L., Muggleton S., Tadepalli P.: Structured machine learning: the next ten years. Machine Learning 2008.
• 15. Marian M., Tremmel S.: Current Trends and Applications of Machine Learning in Tribology – A Review, Lubricants 2021.
• 16. Rosenkranz A., Marian M., Profito F.J., Aragon N., Shah R.: The Use of Artificial Intelligence in Tribology – A Perspective. Lubricants 2021.
• 17. Hasan M.S., Kordijazi A., Rohatgi P.K., Nosonovsky M.: Triboinformatic modeling of dry friction and wear of aluminium base alloys using machine learning algorithms. Tribology International 2021.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).