guest ::
| 001 | 969330 | ||
| 005 | 20250930081556.0 | ||
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2023-09114 |
| 037 | _ | _ | |a RWTH-2023-09114 |
| 041 | _ | _ | |a English |
| 100 | 1 | _ | |0 P:(DE-82)IDM02462 |a Bobzin, Kirsten |b 0 |
| 245 | _ | _ | |a Database for Publication "Data driven development of iron-based metallic glasses using artificial neural networks" |
| 260 | _ | _ | |c 2023 |
| 336 | 7 | _ | |2 BibTeX |a MISC |
| 336 | 7 | _ | |0 PUB:(DE-HGF)32 |2 PUB:(DE-HGF) |a Dataset |b dataset |m dataset |s 1702454720_32266 |
| 336 | 7 | _ | |0 26 |2 EndNote |a Chart or Table |
| 336 | 7 | _ | |2 DataCite |a Dataset |
| 336 | 7 | _ | |2 ORCID |a DATA_SET |
| 336 | 7 | _ | |2 DINI |a ResearchData |
| 520 | 3 | _ | |a Die Datei enthält die Datenbasis für die Arbeiten der Publikation "Data driven development of iron-based metallic glasses using artificial neural networks". Das Datenset enthält Informationen zu insgesamt 701 eisenbasierten metallischen Glaslegierungen. Die Daten wurden durch eine Literaturrecherche erhoben. In der rechten Spalte "Reference" ist die Originalquelle der entsprechenden Legierung angegeben. Weiterhin sind neben der Legierungszusammensetzung in at.-%, soweit vorhanden, Angaben zur Kristallisations-, Glasübergangs- und Liquidustemperatur, der kritischen Dicke, der Aufheizrate bei der die dynamische Differenzkalorimetrie durchgeführt wurde, und dem Herstellungsverfahren eingetragen. Mit Hilfe dieser Datenbasis können Regressionsmodelle und kleinere Machine Learning Algorithmen trainiert werden um Legierungseigenschaften auf Grundlage der chemischen Zusammensetzung vorherzusagen. |
| 520 | _ | _ | |a The file contains the data base for the works of the publication "Data driven development of iron-based metallic glasses using artificial neural networks". The data set contains information on a total of 701 iron-based metallic glass alloys. The data was obtained through a literature search. The original source of the corresponding alloy is listed in the right-hand column "reference". In addition to the alloy composition in at.%, information on the crystallisation, glass transition and liquidus temperature, the critical thickness, the heating rate at which the dynamic differential calorimetry was carried out, and the manufacturing process are given, if available. Using this database, regression models and low-level machine learning algorithms can be trained to predict alloy properties based on chemical composition. |
| 536 | _ | _ | |0 G:(GEPRIS)419126987 |a DFG project 419126987 - Grundlegende Erforschung der Applikationsmöglichkeiten amorpher Beschichtungen auf Innengeometrien und Bewertung der Phasenstabilität unter tribologischer Belastungen (419126987) |c 419126987 |x 0 |
| 653 | _ | 7 | |a iron-based |
| 653 | _ | 7 | |a Fe-based |
| 653 | _ | 7 | |a data set |
| 653 | _ | 7 | |a database |
| 653 | _ | 7 | |a machine learning |
| 653 | _ | 7 | |a amorphous alloy |
| 653 | _ | 7 | |a metallic glass |
| 700 | 1 | _ | |0 P:(DE-82)IDM03140 |a Heinemann, Hendrik |b 1 |
| 700 | 1 | _ | |0 P:(DE-82)IDM04259 |a Burbaum, Elisa |b 2 |
| 700 | 1 | _ | |0 P:(DE-82)IDM04798 |a Johann, Lukas Martin |b 3 |e Corresponding author |
| 700 | 1 | _ | |0 P:(DE-HGF)0 |a Seßler, Julius |b 4 |
| 700 | 1 | _ | |0 P:(DE-HGF)0 |a Gärtner, Joshua |b 5 |
| 787 | 0 | _ | |0 RWTH-2023-11753 |a Bobzin, K. et.al. |d Lausanne : Elsevier, 2024 |i RelatedTo |t Data driven development of iron-based metallic glasses using artificial neural networks |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/969330/files/Rechteeinr%C3%A4umung_969330.pdf |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/969330/files/Fe_MG_Database.xlsx |y OpenAccess |
| 909 | C | O | |o oai:publications.rwth-aachen.de:969330 |p openaire |p open_access |p VDB |p driver |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM02462 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03140 |a RWTH Aachen |b 1 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM04259 |a RWTH Aachen |b 2 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM04798 |a RWTH Aachen |b 3 |k RWTH |
| 914 | 1 | _ | |y 2023 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 915 | _ | _ | |0 LIC:(DE-HGF)CC0 |2 HGFVOC |a CC0: Public Domain Dedication |
| 920 | 1 | _ | |0 I:(DE-82)419010_20140620 |k 419010 |l Lehrstuhl für Oberflächentechnik im Maschinenbau |x 0 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a dataset |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a I:(DE-82)419010_20140620 |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|