کاربرد یادگیری ماشین در پیش بینی طول عمر کامپوزیت های دریایی

کامپوزیت های پلیمری تقویت شده با الیاف (FRP) به دلیل نسبت بالای مقاومت به وزن و مقاومت مناسب در برابر خوردگی، به طور گسترده ای در سازه های دریایی مورداستفاده قرار می گیرند. بااین حال، قرارگیری طولانی مدت در شرایط محیطی رطوبتی گرمایی می تواند منجر به کاهش خواص مکانیکی این مواد شود. مدل های سنتی پیش بینی دوام نظیر مدل های آرنیوس و فیک، باوجود کاربرد گسترده، به دلیل مفروضات ساده سازی شده قادر به درک پیچیدگی اثرات هم افزایی شرایط محیطی نیستند. در این راستا، استفاده از مدل های هوش مصنوعی به ویژه یادگیری ماشین (ML) در سال های اخیر موردتوجه قرارگرفته است. این مقاله به بررسی کاربرد الگوریتم های مختلف یادگیری ماشین در پیش بینی عمر کامپوزیت های پلیمری در شرایط رطوبتی گرمایی می پردازد. مطالعات مختلف نشان می دهند که الگوریتم های مختلف هوش مصنوعی توانسته اند پیش بینی های دقیقی از کاهش خواص مکانیکی کامپوزیت تحت شرایط مختلف محیطی ارائه دهند. همچنین تحلیل حساسیت ورودی ها در مدل های مختلف، اهمیت بیشتر عواملی مانند زمان قرارگیری، دما، مقدارPH  و حجم الیاف را در کاهش خواص مکانیکی نشان داده است. باوجود پیشرفت های صورت گرفته، محدودیت هایی چون کمبود داده های میدانی و تفاوت عملکرد مدل ها به عنوان چالش هایی جدی در مسیر پیش بینی دقیق عمر مفید کامپوزیت ها محسوب می شوند.

کلیدواژه ها:

Composite ، Moisture Absorption ، Artificial Intelligence ، Hygrothermal Aging ، کامپوزیت ، جذب رطوبت ، هوش مصنوعی ، پیرشدگی رطوبتی گرمایی