مدل پیش بینی سایش و اصطکاک آلیاژهای پایه منیزیم با استفاده از الگوریتم های یادگیری ماشین

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: مدل پیش بینی سایش و اصطکاک آلیاژهای پایه منیزیم با استفاده از الگوریتم های یادگیری ماشین

ارائه دهنده: Provider: نگار باقریه - رشته مواد

اساتید راهنما: Supervisors: دکتر میثم نوری

اساتید مشاور: Advisory Professors: دکتر مسلم نوری

اساتید ممتحن یا داور: Examining professors or referees: دکتر حسن علم خواه و دکتر محسن شیخی

زمان و تاریخ ارائه: Time and date of presentation: 2/12/1401 و 8:30 صبح

مکان ارائه: Place of presentation: آمفی تئاتر دانشکده مهندسی

چکیده: Abstract: روش¬های داده¬محور از جمله یادگیری ماشین، رویکردی نوین در برقراری ارتباط خواص مواد مهندسی و خواص تریبولوژیکی پدید آورده¬اند. در پژوهش حاضر الگوریتم¬های یادگیری ماشین شامل شبکه عصبی مصنوعی، جنگل تصادفی، گرادیان بوستینگ، بوستینگ تطبیقی، درخت تصمیم، رگرسیون بردار پشتیبان و نزدیک¬ترین همسایگی با استفاده از داده¬های تریبولوژیکی مقالات مربوط به خواص تریبولوژیکی منیزیم و آلیاژ¬های منیزیم به¬منظور پیش¬بینی حجم سایش و ضریب اصطکاک توسعه یافتند. داده¬های بدست آمده از مطالعاتی استخراج شد که از گلوله، پین یا دیسک فولادی به-عنوان زوج تریبولوژیکی بر روی منیزیم استفاده کرده بودند. مجموعه داده¬ها حاوی اطلاعات نرخ سایش، ضریب اصطکاک، خواص مکانیکی (سختی، استحکام تسلیم، استحکام کششی نهایی، مدول الاستیک و ازدیاد طول)، ترکیب شیمیایی، فرآیند ساخت، عملیات حرارتی و متغیرهای آزمون تریبولوژی (دمای آزمون سایش، سرعت لغزش، مسافت لغزش و بار عمودی) بود. به¬منظور مطالعه¬ی تاثیر خواص مکانیکی، ترکیب شیمیایی، عملیات حرارتی و فرآیند ساخت به طور مجزا، داده¬های حاصل در چهار گروه قرار گرفتند. سپس گام¬های متعددی در جهت ساخت مدل پیش¬بینی خواص تریبولوژیکی آلیاژهای منیزیم شامل پیش¬پردازش داده¬ها، مدل¬سازی و ارزیابی پیموده شد. در گام پیش¬پردازش داده¬¬ها شناسایی و مدیریت داده¬های مفقودی و دورافتاده و کدگذاری داده¬های کیفی صورت پذیرفت. سپس نمونه¬برداری شامل تقسیم داده¬ها به مجموعه داده¬های آموزش، اعتبارسنجی و آزمون و نرمال¬سازی داده¬های کمی به¬منظور جلوگیری از وزن¬دهی به داده¬های با مقادیر بیشتر انجام شد. داده¬های ساختارمند حاصل در مدل¬سازی به کار گرفته شدند. ساخت و اعتبارسنجی مدل یادگیری ماشین با استفاده از مجموعه آموزشی انجام شد. سپس ارزیابی عملکرد مدل‌ها بر روی داده‌های جدید با استفاده از مجموعه آزمون صورت پذیرفت. در مرحله ارزیابی مطابقت داده¬های پیش¬بینی شده توسط الگوریتم¬های یادگیری ماشین با داده¬های آزمایشگاهی برآورد شد. از این رو شاخص¬های ارزیابی رگرسیونی شامل میانگین مطلق خطا، میانگین مربعات خطا، جذر میانگین مربعات خطا و مجذور R به¬منظور بررسی عملکرد الگوریتم¬های مختلف در پیش¬بینی هدف پژوهش به¬کار گرفته شدند. نتایج ارزیابی الگوریتم¬ها حاکی از عملکرد بالای گرادیان بوستینگ با دقت 87 درصد به¬منظور پیش¬بینی ضریب اصطکاک با استفاده خواص مکانیکی و متغیرهای آزمون تریبولوژی است. الگوریتم بوستینگ تطبیقی می¬تواند ضریب اصطکاک را با استفاده از فرآیند ساخت، عملیات حرارتی، ترکیب شیمیایی آلیاژ و متغیرهای آزمون تریبولوژی با دقت 86 درصد پیش¬بینی کند. بررسی نتایج ارزیابی عملکرد الگوریتم¬ها نشان¬دهنده¬ی توانایی الگوریتم جنگل تصادفی در پیش¬بینی حجم سایش با استفاده از خواص مکانیکی و متغیرهای آزمون تریبولوژی با دقت 92 درصد است. بهترین الگوریتم به¬منظور پیش¬بینی حجم سایش با استفاده از فرآیند ساخت، عملیات حرارتی، ترکیب شیمیایی آلیاژ و متغیرهای آزمون تریبولوژی بوستینگ تطبیقی با دقت 94 درصد بدست آمد. به علاوه تحلیل مقایسه¬ای از پارامترهای مربوط به عناصر آلیاژی، فرآیند ساخت، تاریخچه عملیات حرارتی، خواص مکانیکی و متغیرهای آزمون تریبولوژی موثر بر رفتار تریبولوژی آلیاژهای منیزیم با استفاده از الگوریتم جنگل تصادفی صورت پذیرفت. نتایج نشان¬دهنده اهمیت و مشارکت بالای بار عمودی، مدول الاستیک، شکل-پذیری، مسافت لغزش و درصد وزنی روی در پیش¬بینی ضریب اصطکاک و بار عمودی، مسافت لغزش، سرعت لغزش، سختی و شکل¬پذیری در پیش¬بینی حجم سایش است.

فایل: ّFile: