پیش بینی و بهینه سازی چندمقیاسی هم زمان چقرمگی و خوردگی در آلیاژهای فلزی پیشرفته با استفاده از هوش مصنوعی

چقرمگی و خوردگی، دو ویژگی بنیادین و تعیین کننده در عملکرد آلیاژهای فلزی پیشرفته اند که اغلب در روابطی پیچیده، ناسازگار و غیرخطی نسبت به یکدیگر ظاهر می شوند؛ به طوری که ارتقای یکی معمولا به صورت ناگزیر موجب تضعیف دیگری می شود. در دو دهه ی اخیر، پیشرفت های هوش مصنوعی و یادگیری ماشین امکان مدل سازی، پیش بینی و بهینه سازی هم زمان این دو ویژگی را در سطوح مختلف ریزساختاری، ترمودینامیکی و محیطی فراهم کرده اند. با توجه به ظهور محیط های عملیاتی بسیار سخت در صنایع دفاعی، هوافضا، نفت و گاز، نیروگاه ها و فناوری های انرژی نوین، نیاز به طراحی آلیاژهایی با چقرمگی بالا و مقاومت خوردگی قابل توجه بیش از هر زمان دیگری احساس می شود. پژوهش حاضر به صورت جامع به بررسی کاربرد مدل های یادگیری عمیق، شبکه های یادگیری گرافی (GNN)، مدل های چندمقیاسی مبتنی بر داده، یادگیری تقویتی توزیعی و الگوریتم های چندهدفه بهینه سازی برای پیش بینی و طراحی ترکیب، ریزساختار و فرآیندهای تولید آلیاژهای نوین می پردازد. مقاله ضمن تحلیل رابطه ی چندفیزیکی میان الگوهای شکست، رشد ترک، نفوذ یون ها، پایدارسازی فازها و شکل گیری رسوبات در شرایط عملیاتی مختلف، یک چارچوب کلان ارائه می دهد که می تواند با ادغام مدل های ترمودینامیک CALPHAD، شبیه سازی اجزای محدود، و مدل های یادگیری ماشین، به گونه ای کارآمد به بهینه سازی هم زمان چقرمگی و مقاومت خوردگی کمک کند. نتیجه ی این پژوهش، ارائه ی رویکردی است که مرحله ی طراحی آلیاژها را از یک فرآیند آزمون و خطای پرهزینه و زمان بر به یک فرآیند هوشمند، پیش بینی محور و مبتنی بر داده تبدیل می کند.

کلیدواژه ها:

هوش مصنوعی ، خوردگی ، چقرمگی ، آلیاژهای فلزی ، یادگیری ماشین ، مدل سازی چندمقیاسی ، طراحی مواد ، GNN ، یادگیری تقویتی ، CALPHAD