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 […]
