پیشبینی نیروی کشش فولاد با کمک نقص خواص مکانیکی مواد سازنده آن توسط هوش مصنوعی

در این پژوهش، با هدف پیش بینی نیروی کشش فولاد تحت تاثیر نقص های ایجادشده در خواص مکانیکی مواد سازنده آن، از سه الگوریتم یادگیری ماشین شامل گرادیان بوست، ایکس جی بوست و آدابوست استفاده شد. مجموعه داده به دست آمده از آزمایش LVT شامل ۴۸۷ نمونه، ابتدا در فضای ابری گوگل کولب بارگذاری و سپس مراحل پیش پردازش شامل حذف داده های ناقص، نرمال سازی ویژگی ها و کنترل داده های پرت بر روی آن انجام گرفت. پس از آماده سازی داده ها، هر سه مدل یادگیری ماشین آدابوست، گرادیان بوست و ایکس جی بوست با تنظیمات بهینه آموزش داده شدند و عملکرد آن ها با استفاده از معیارهای R² و RMSE ارزیابی شد. نتایج نشان داد که هر سه مدل توانایی قابل قبولی در پیش بینی نیروی کشش دارند، اما دو مدل آدابوست و گرادیان بوست عملکرد دقیق تری ارائه دادند و ارتباط قوی تری میان مقادیر واقعی و پیش بینی شده برقرار کردند. تحلیل نمودارهای اسکتر و ماتریس حرارتی نیز بیانگر تعمیم مناسب مدل ها و توانایی آن ها در استخراج الگوهای موثر میان عناصر سازنده فولاد و تغییرات تنشی بود. یافته های این مطالعه نشان می دهد که بهره گیری از روش های پیشرفته یادگیری ماشین می تواند جایگزینی مناسب برای آزمایش های پرهزینه و زمان بر در پیش بینی خواص مکانیکی فولاد باشد و دقت بالایی در تحلیل اثر نقص های ساختاری ارائه دهد.

کلیدواژه ها:

نیروی کشش فولاد ، نقص خواص مکانیکی مواد ، مدل های یادگیری ماشین ، پیشبینی با رگرسیون یادگیری ماشین