توسعه مدل پی شبینی رفتار مکانیکی مصالح متخلخل با استفاده از یادگیری ماشین

مصالح متخلخل به عنوان یکی از مهمترین گروه های مصالح مهندسی، نقش قابل توجهی در توسعه سازه های سبک، پایدار و با عملکرد چندمنظوره ایفا می کنند. این مصالح به دلیل وجود ساختار داخلی شامل حفرات و فضاهای خالی، دارای ویژگی هایی نظیر وزن مخصوص پایین، قابلیت جذب انرژی، عملکرد مناسب در برابر بارهای دینامیکی و پتانسیل بالای بهبود پایداری زیست محیطی هستند. با این حال، وجود تخلخل موجب پیچیدگی رفتار مکانیکی این مواد شده و پیش بینی دقیق خواصی نظیر مقاومت فشاری و مدول الاستیسیته را با چالش مواجه می سازد.رفتار مکانیکی مصالح متخلخل تابع روابطی غیرخطی، چندمتغیره و وابسته به ریزساختار است که استفاده از روش های تحلیلی کلاسیک و روابط تجربی ساده را با محدودیت جدی روبه رو می کند. در سال های اخیر، پیشرفت های حاصل در حوزه هوش مصنوعی و به ویژه یادگیری ماشین، امکان مدلسازی دقیق تر این روابط پیچیده را فراهم آورده است.در این پژوهش، با هدف توسعه یک مدل هوشمند جهت پیش بینی رفتار مکانیکی مصالح متخلخل، از الگوریتم های یادگیری ماشین به عنوان ابزارهای داده محور استفاده شده است. مدل پیشنهادی با تحلیل داده های آزمایشگاهی و شناسایی الگوهای پنهان میان پارامترهای موثر، قادر به ارائه پیش بینی های دقیق و قابل اعتماد از خواص مکانیکی مصالح متخلخل می باشد.

کلیدواژه ها:

مصالح متخلخل ، رفتار مکانیکی ، یادگیری ماشین ، پیش بینی خواص ، هوش مصنوعی ، مهندسی مصالح