مشخصات پژوهش

عنوان	مدل پیش بینی سایش و اصطکاک آلیاژ های پایه منیزیم با استفاده از الگوریتم‌های یادگیری ماشین
نوع پژوهش	پایان نامه
کلیدواژه‌ها	یادگیری ماشین، تریبولوژی، آلیاژهای منیزیم، سایش، اصطکاک، خواص مکانیکی، فرآیند ساخت، ترکیب شیمیایی
چکیده	روش‌های داده‌محور از جمله یادگیری ماشین، رویکردی نوین در برقراری ارتباط خواص مواد مهندسی و خواص تریبولوژیکی پدید آورده‌اند. در پژوهش حاضر الگوریتم‌های یادگیری ماشین شامل شبکه عصبی مصنوعی، جنگل تصادفی، گرادیان بوستینگ، بوستینگ تطبیقی، درخت تصمیم، رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی با استفاده از داده‌های تریبولوژیکی مقالات مربوط به خواص تریبولوژیکی منیزیم و آلیاژ‌های منیزیم به‌منظور پیش‌بینی حجم سایش و ضریب اصطکاک توسعه یافتند. داده‌های بدست آمده از مطالعاتی استخراج شد که از گلوله، پین یا دیسک فولادی به‌عنوان زوج تریبولوژیکی بر روی منیزیم استفاده کرده بودند. مجموعه داده‌ها 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 تریبولوژیکی (دمای آزمون سایش، سرعت لغزش، مسافت لغزش و بار عمودی) بود. به‌منظور مطالعه‌ی تاثیر خواص مکانیکی، ترکیب شیمیایی، عملیات حرارتی و فرآیند ساخت به طور مجزا، داده‌های حاصل در چهار گروه قرار گرفتند. سپس گام‌های متعددی در جهت ساخت مدل پیش‌بینی خواص تریبولوژیکی آلیاژهای منیزیم شامل پیش‌پردازش داده‌ها، مدل‌سازی و ارزیابی پیموده شد. در گام پیش‌پردازش داده‌‌ها شناسایی و مدیریت داده‌های مفقودی و دورافتاده و کدگذاری داده‌های کیفی صورت پذیرفت. سپس نمونه‌برداری شامل تقسیم داده‌ها به مجموعه داده‌های آموزش، اعتبارسنجی و آزمون و نرمال‌سازی داده‌های کمی به‌منظور جلوگیری از وزن‌دهی به داده‌های با مقادیر بیشتر انجام شد. داده‌های ساختارمند حاصل در مدل‌سازی به کار گرفته شدند. ساخت و اعتبارسنجی مدل یادگیری ماشین با استفاده از مجموعه آموزشی انجام شد. سپس ارزیابی عملکرد مدل‌ها بر داده‌های جدید با استفاده از مجموعه آزمون صورت پذیرفت. در مرحله ارزیابی مطابقت داده‌های پیش‌بینی شده توسط الگوریتم‌های یادگیری ماشین با داده‌های آزمایشگاهی برآورد شد. از این رو شاخص‌های ارزیابی رگرسیونی شامل میانگین مطلق خطا، میانگین مربعات خطا، جذر میانگین مربعات خطا و مجذور R به‌منظور بررسی عملکرد الگوریتم‌های مختلف در پیش‌بینی هدف پژوهش به‌کار گرفته شدند. نتایج ارزیابی الگوریتم‌ها حاکی از عملکرد بالای گرادیان بوستینگ با دقت 87 درصد به‌منظور پیش‌بینی ضریب اصطکاک با استفاده خواص مکانیکی و متغیرهای آزمون تریبولوژیکی است. الگوریتم بوستینگ تطبیقی می‌تواند ضریب اصطکاک را با استفاده از فرآیند ساخت، عملیات حرارتی، ترکیب شیمیایی آلیاژ و متغیرهای آزمون تریبولوژیکی با دقت 86 درصد پیش‌بینی کند. بررسی نتایج ارزیابی عملکرد الگوریتم‌ها نشان‌دهنده‌ی توانایی الگوریتم جنگل تصادفی در پیش‌بینی حجم سایش با استفاده از خواص مکانیکی و متغیرهای آزمون تریبولوژیکی با دقت 92 درصد است. به‌منظور پیش‌بینی حجم سایش با استفاده از فرآیند ساخت، عملیات حرارتی، ترکیب شیمیایی آلیاژ و متغیرهای آزمون تریبولوژیکی بهترین الگوریتم بوستینگ تطبیقی با دقت 94 درصد بدست آمد. به علاوه تحلیل مقایسه‌ای از پارامترهای مربوط به عناصر آلیاژی، فرآیند ساخت، تاریخچه عملیات حرارتی، خواص مکانیکی و متغیرهای آزمون تریبولوژیکی موثر بر رفتار تریبولوژی آلیاژهای منیزیم با استفاده از الگوریتم جنگل تصادفی صورت پذیرفت. نتایج نشان‌دهنده اهمیت و مشارکت بالای بار عمودی، مدول الاستیک، شکل‌پذیری، مسافت لغزش و درصد وزنی فلز روی در پیش‌بینی ضریب اصطکاک و بار عمودی، مسافت لغزش، سرعت لغزش، سختی و شکل‌پذیری در پیش‌بینی حجم سایش است.
پژوهشگران	میثم نوری (استاد راهنما)، نگار باقریه (دانشجو)، مسلم نوری (استاد مشاور)