استفاده از یادگیری ماشین برای پیش بینی عملکرد مواد اولیه در کامپاندهای لاستیکی

پیش بینی عملکرد مواد اولیه در کامپاندهای لاستیکی یکی از چالش های اساسی صنعت لاستیک است. روش های سنتی آزمایشگاهی با وجود دقت مناسب، زمان بر و پرهزینه هستند و توانایی شبیه سازی تغییرات پیچیده در ترکیب مواد را ندارند. استفاده از یادگیری ماشین به عنوان ابزاری نوین امکان تحلیل حجم زیادی از داده ها و استخراج روابط غیرخطی بین ویژگی های مواد اولیه و خواص نهایی کامپاندها را فراهم می کند. در این مطالعه مدل های رگرسیون چندگانه، درخت تصمیم و شبکه عصبی مصنوعی برای پیش بینی خواص مکانیکی و رئولوژیکی کامپاندهای لاستیکی مورد ارزیابی قرار گرفتند. داده های مورد استفاده شامل ترکیبات لاستیک پایه، پرکننده ها، روغن ها و سیلان ها و خواص نهایی کامپاندها بود. نتایج نشان داد که شبکه عصبی دقت بالاتری نسبت به دیگر مدل ها دارد و تحلیل حساسیت ویژگی ها تاثیر مواد اولیه کلیدی بر خواص مکانیکی و رئولوژیکی را مشخص کرد. این تحقیق نشان می دهد که یادگیری ماشین می تواند به کاهش زمان طراحی فرمولاسیون و بهینه سازی خواص کامپاندها کمک کند.

کلیدواژه ها:

یادگیری ماشین ، کامپاند لاستیکی ، پیش بینی خواص ، شبکه عصبی ، رگرسیون