Resumen:Predecir la dureza final del acero después del tratamiento térmico es una tarea de regresión desafiante debido a la naturaleza de muchos a uno del proceso: diferentes combinaciones de parámetros de entrada (como temperatura, duración y composición química) pueden dar como resultado el mismo valor de dureza. Esta ambigüedad hace que el problema inverso, estimar los parámetros de entrada a partir de una dureza deseada, sea particularmente difícil. En este trabajo, proponemos una solución novedosa utilizando un marco de aprendizaje Profesor-Estudiante. Primero, se entrena un modelo directo (Profesor) para predecir la dureza final a partir de 13 características de entrada metalúrgicas. Luego, se entrena un modelo inverso (Estudiante) para inferir configuraciones de entrada plausibles a partir de un valor de dureza objetivo. El Estudiante se optimiza aprovechando los comentarios del Profesor en un ciclo iterativo y supervisado. Evaluamos nuestro método en un conjunto de datos de acero templado disponible públicamente y lo comparamos con modelos de aprendizaje por refuerzo y regresión de referencia. Los resultados muestran que nuestro marco Profesor-Estudiante no solo logra una mayor precisión de predicción inversa sino que también requiere significativamente menos tiempo de cálculo, lo que demuestra su efectividad y eficiencia para el modelado de procesos inversos en ciencia de materiales.
Publicado originalmente en export.arxiv.org el 7 de octubre de 2025.
Ver fuente original
