Techniques to improve the speed at which materials are researched and developed has been conducted by investigating the machine learning methodology. These techniques offer solutions to connect the length scales of material prop- erties from atomistic and chemical features using materials databases generated from collected data. In this assessment, two material informatics methodologies are used to predict material properties in steels and nickel based superalloys using this approach. Martensite start temperature and sigma phase amount as a function of input composition has been modelled with the use of machine learning algorithms. The experimental methodology had a collection of over 2000 unique experimental martensite start temperature points. This yielded important information on higher order interactions for the martensite start temperature, and a root mean square error (rmse) of 29 Kelvin using ensemble tree based algorithms. The metamodel was designed using an artificial neural network from TensorFlow’s library to predict sigma phase fraction and its composition. The methodology for building, calculating, and using data from TC-Python will be laid out. This generates a model that would generalize sigma phase fraction 97.9 % of Thermo-Calc’s equilibrium model in 7.1 seconds compared to 227 hours neded in the simulation to calculate the same amount of material property data.

Tekniker för att förbättra hastigheten med material som forskas och utvecklas har genomförts genom att undersöka metodik för maskininlärning. Dessa tekniker erbjuder lösningar för att ansluta längdskalorna för materialegenskaper från atomistiska och kemiska egenskaper med hjälp av materialdatabaser genererade från insamlade data. I denna bedömning används två materialinformatikmetoder för att förutsäga materialegenskaper i stål och nickelbaserade superlegeringar med denna metod. Martensite-starttemperatur och sigmafasmängd som en funktion av ingångssammansättningen har modellerats med användning av maskininlärningsalgoritmer. Den experimentella metoden hade en samling av över 2000 unika experimentella starttemperaturpunkter för martensit. Detta gav viktig information om interaktioner med högre ordning för martensit-starttemperaturen och ett root-medelvärde-kvadratfel (rmse) på 29 Kelvin med användning av ensemble-trädbaserade algoritmer. Metamodellen designades med hjälp av ett artificiellt neuralt nätverk från TensorFlows bibliotek för att förutsäga sigma-fasfraktion och dess sammansättning. Metoden för att bygga, beräkna och använda data från TC-Python kommer att anges. Detta genererar en modell som skulle generalisera sigma-fasfraktion 97,9 % av Thermo-Calcs jämviktsmodell på 7,1 sekunder jämfört med 227 timmar som behövs i simuleringen för att beräkna samma mängd materialegenskapsdata.