کاربرد یادگیری ماشین در پیشبینی عمر خستگی مواد کامپوزیتی در صنایع هوافضا

مواد کامپوزیتی به دلیل نسبت استحکام به وزن بالا، مقاومت در برابر خوردگی و قابلیت طراحی مهندسی، به طور گسترده در صنایع هوافضا مورد استفاده قرار می گیرند. با این حال، رفتار خستگی این مواد به دلیل ناهمگنی ساختاری، مکانیزم های شکست چندگانه و تاثیر شرایط بارگذاری پیچیده، پیش بینی عمر مفید آن ها را به چالشی اساسی تبدیل کرده است. در سال های اخیر، استفاده از روش های یادگیری ماشین به عنوان رویکردی نوین برای مدل سازی رفتار غیرخطی و چندمتغیره مواد کامپوزیتی مورد توجه قرار گرفته است.هدف این پژوهش، بررسی نقش و کارایی الگوریتم های یادگیری ماشین در پیش بینی عمر خستگی کامپوزیت های مورد استفاده در صنایع هوافضا است. این مطالعه با رویکردی مروری–تحلیلی، به بررسی مدل های مبتنی بر شبکه های عصبی مصنوعی، ماشین بردار پشتیبان، جنگل تصادفی و روش های یادگیری عمیق پرداخته و عملکرد آن ها را از منظر دقت پیش بینی، قابلیت تعمیم پذیری و کاهش هزینه های آزمایشگاهی تحلیل می کند.یافته های مطالعات نشان می دهد که مدل های یادگیری ماشین در مقایسه با روش های سنتی مبتنی بر روابط تجربی، توانایی بالاتری در پیش بینی عمر خستگی تحت شرایط بارگذاری متغیر دارند و می توانند با کاهش نیاز به آزمون های مخرب، به بهینه سازی طراحی سازه های هوافضایی کمک کنند. با این حال، چالش هایی نظیر نیاز به داده های گسترده، خطر بیش برازش و محدودیت تفسیرپذیری مدل ها همچنان مطرح است.در مجموع، نتایج بیانگر آن است که ادغام یادگیری ماشین با داده های آزمایشگاهی و شبیه سازی های عددی می تواند چارچوبی موثر برای افزایش ایمنی، کاهش هزینه های نگهداری و بهبود پیش بینی عمر خستگی در سازه های کامپوزیتی هوافضایی فراهم سازد.

کلیدواژه ها:

یادگیری ماشین ، عمر خستگی ، مواد کامپوزیتی ، صنایع هوافضا ، شبکه های عصبی مصنوعی ، پیش بینی شکست ، مدل سازی داده محور