主动学习驱动的硅大气等离子喷涂飞行中粒子特性的不确定性降低
主动学习 (AL) 框架在热喷涂中的首次使用可提高飞行中颗粒特征的预测精度。通过贝叶斯优化成功实现 AL 框架的好处是，首先减少了最大不确定性，从而大大提高了现有数据库的预测精度和信息量。其次，它减少了人为测试点周围的局部不确定性，从而提供了在有限搜索区域中找到改进的能力，从而允许在所需测试点周围进行准确预测。机器学习 (ML) 训练的数据集包含 26 个硅的大气等离子喷涂 (APS) 参数以及另外 6 个 AL 引导喷涂运行，以减少初始数据库中的最大不确定性。平均而言，经过 AL 驱动的优化后，预测飞行中粒子速度和温度的 RMSE 提高了 52.9%（误差减少），R2 提高了 8.5%。此外，与未优化的预测相比，在有限的搜索空间中预测最佳可能特征的测试点优化使预测精度提高了三倍。事实证明，AL 驱动的优化对于资源密集型热喷涂非常有益，因为该框架不仅可以准确预测飞行中的颗粒特性，而且还可以围绕所需的飞行中特性找到预期的改进。此外，该框架使用高斯过程（GP）ML 模型作为替代，概括了全局解决方案，而不必涉及物理和底层机制，从而将该框架扩展到其他热喷涂方法。
关键词: 大气等离子喷涂, 机器学习, 贝叶斯优化, 主动学习, 热喷涂
最初发表于《人工智能的工程应用》（第 128 卷，2024 年 2 月，107465）
作者：Halar Memon、Eskil Gjerde、Alex Lynam、Amiya Chowdhury、Geert De Maere、Grazziela Figueredo、Tanvir Hussain
