Design of Amorphous Carbon Coatings Using Gaussian Processes and Advanced Data Visualization

Abstract

In recent years, an increasing number of machine learning applications in tribology and coating design have been reported. Motivated by this, this contribution highlights the use of Gaussian processes for the prediction of the resulting coating characteristics to enhance the design of amorphous carbon coatings. In this regard, by using Gaussian process regression (GPR) models, a visualization of the process map of available coating design is created. The training of the GPR models is based on the experimental results of a centrally composed full factorial 23 experimental design for the deposition of a‑C:H coatings on medical UHMWPE. In addition, different supervised machine learning (ML) models, such as Polynomial Regression (PR), Support Vector Machines (SVM) and Neural Networks (NN) are trained. All models are then used to predict the resulting indentation hardness of a complete statistical experimental design using the Box–Behnken design. The results are finally compared, with the GPR being of superior performance. The performance of the overall approach, in terms of quality and quantity of predictions as well as in terms of usage in visualization, is demonstrated using an initial dataset of 10 characterized amorphous carbon coatings on UHMWPE.

Wear Mechanism of Superhard Tetrahedral Amorphous Carbon (ta‐C) Coatings for Biomedical Applications

“…[ 102,103 ] In comparison to, [ 104,105 ] the H IT / E IT ratios of CoCr:ta‐C and Ti64:ta‐C were in a comparable range. For PE:ta‐C, the values were even higher than those of comparable studies, [ 24,84,85,106,107 ] and favorable wear behavior can be expected. [ 23 ]…”

Aplicación de herramientas de Inteligencia Artificial para la optimización frente al gripado del contenido de aditivos FM, EP y AW en un lubricante

“…Esto sucede hasta que los umbrales llegan a un punto en el que su variación es mínima. En el campo de la tribología, las RNA han sido aplicadas para predecir el COF [8], optimizar compuestos [6], estudiar rugosidades de superficie [21].…”

“…Ya en 2022, se ha desarrollado un modelo que permite clasificar los mecanismos de desgaste a partir de imágenes SEM y RNA, obteniendo una precisión de alrededor del 98% para los datos de entrenamiento, en torno al 72% para los datos de validación y alrededor del 73% para los datos de prueba [20]. En el mismo año se ha establecido un método de aprendizaje automático para diseñar recubrimientos de carbono amorfo, con el empleo de regresiones de proceso gaussiano, regresiones polinomiales, máquinas de soporte vectorial (SVM) y RNA, obteniendo precisiones de hasta 78% para la optimización de superficies [21]. En [22] se han resumido las investigaciones que destacan las aplicaciones de ML e AI en el ámbito de los materiales compuestos, la tecnología de fabricación, ingeniería de superficies, formulación de lubricantes y diversas áreas de la tribología.…”