Abstract High-entropy alloys (HEAs) are increasingly renowned for their distinct microstructural compositions and exceptional properties. These HEAs are employed for surface modification as coatings exhibit phenomenal mechanical characteristics including wear and corrosion resistance which are extensively utilized in various industrial applications. However, assessing the wear behaviour of the HEA coatings through conventional methods remains challenging and time-consuming due to the complexity of the HEA structures. In this study, a novel methodology has been proposed for predicting the wear behaviour of HEA coatings using Machine Learning (ML) algorithms such as Support Vector Machine (SVM), Linear Regression (LR), Gaussian Process Regression (GPR), Least Absolute Shrinkage and Selection Operator (LASSO), Bagging Regression (BR), Gradient Boosting Regression Tree (GBRT), and Robust regressions (RR). The analysis integrates of 75 combinations of HEA coatings with processing parameters and wear test results from peer-reviewed journals for model training and validation. Among the ML models utilized, the GBRT model was found to be more effective in predicting wear rate and Coefficient of Friction (COF) with the highest correlation coefficient of R 2 value of 0.95 ∼ 0.97 with minimal errors. The optimum model is used to predict the unknown wear properties of HEA coatings from the conducted experiments and validate the results, making ML a crucial resource for engineers in the materials sector.

The High Entropy Alloy (HEA) coatings exhibit diverse properties contingent upon their composition and microstructure, addressing current industrial requirements. Machine Learning (ML) regression emerges as a proficient solution for predicting the properties of HEA coatings, offering a significant reduction in experimental work. The ML regressions including Support Vector Regression (SVR), Gaussian Process Regression (GPR), Ridge Regression (RR), and Polynomial Regression (PR), are effectively employed to predict Young's modulus of HEA coated Stainless Steel (SS) through a significant database. The statistical responses of the developed regression models are analyzed through evaluation indices of Coefficient of determination (R2), Mean Absolute Error (MAE), and Root Mean Square Error (RMSE). Among the regression models, the 2-degree PR model stands alone with a high prediction accuracy of R2-0.95, MAE-16.12, and RMSE-21.53. The 2-degree PR model demonstrates a significant correlation between the predicted and experimental Young's modulus, contributing to the accurate prediction of unknown Young's modulus of the HEA-coated SS. The prediction of Young's modulus by the PR model is more reliable, as proved by an error percentile of ±4.76 %, compared to the experimental values of Young's modulus.

High-entropy alloys (HEAs) are a category of material with exceptional mechanical, thermal, and chemical properties, making them suitable for a wide range of applications in industries such as aerospace, automotive, and energy storage. The wear rate is a crucial property in determining the reliability and performance of HEAs. It is crucial to accurately predict wear rates when optimizing material for selection and design. This study uses Machine Learning (ML) techniques to create predictive models for wear rate prediction in HEAs. Five regression models, including Linear Regression (LR), Support Vector Regression (SVR), Bayesian Ridge Regression (BRR), Multilayer Perceptron (MLP), and Huber Regression (HR) are built and evaluated. These models are built using a dataset featuring elemental compositions, applied load, sliding distance, sliding velocity, and wear rates of HEAs. The results show that the MLP regressor outperforms other algorithms in terms of accuracy and model fit when predicting wear rates. For phase prediction of non-existing HEAs, Recurrent Neural Networks (RNNs) and Extreme Gradient Boosting (XGBoost) models are employed. Using the output from these phase predictions as input variables, the wear rate of these non-existing HEAs is predicted at different conditions. The prediction provides a large dataset with phase and wear prediction of non-existing HEAs, which can be experimentally designed later for specific applications. The present study highlights the potential of ML techniques in developing materials science and engineering by allowing the design of HEAs with tailored properties for specific applications.

The influence of printing variables on microstructural and mechanical behaviors on the 316 L stainless steel (316 L SS), produced via an additive manufacturing process, named as bound metal deposition (BMD), was investigated in this study. The printing parameters varied were infill density, diameter of the nozzle, and thickness of layers, which dictate the mechanical properties, surface roughness, and crack morphology of the samples. Based on the experimental investigation, it was found that the tensile properties were increased when the nozzle diameter and infill density were higher. The highest obtained ultimate tensile strength (UTS) was 402 ± 17 MPa, where the sample was fabricated with the following parameters: 0.40 mm nozzle diameter, 25% infill density, and 0.10 mm layer. The influence of the nozzle diameter also impacted the surface roughness, where a worse surface finish was noticed for the larger nozzle diameter.

The present work demonstrates the development of SiC/TiS2/AlSi12Cu hybrid functionally graded composite using centrifugal casting and examines its microstructural, mechanical, and tribological properties. A gradient distribution of reinforcement particles was observed with the outer region being particle-rich. EBSD analysis confirms microstructural refinement owing to titanium's grain refining properties and the formation of θ-Al2Cu intermetallic phase. The outer layer of the composite attained a maximum hardness and tensile strength of 93 HB and 202 MPa respectively, which was increased by 7.5% and 8.2%, 20.4% and 13.8%, 22.5% and 44.5% in middle, inner, and as-received alloy respectively. Tribological properties were assessed via dry sliding pin-on-disk tribometer with various process parameters such as load (10–40 N), velocity (1–4 m/s) and distance (500–2000 m), optimized using response surface methodology. The higher wear resistance was attained by the optimized process parameters of 16 N load, 1.6 m/s velocity, and 804 m distance. Results indicated increased material loss with higher load, sliding distance, and velocity, but with enhanced wear resistance in the outer zone. Worn surface analysis revealed deeper grooves, delamination, particle pull-out, and wear tracks under severe conditions. The study emphasizes the composite's potential for high wear applications, linking its microstructural features to its superior wear behavior.