پیش بینی تنش سیلان یک نانوکامپوزیت با زمینه ی آلومینیمی حاوی نانوذرات آلومینا به روش یادگیری ماشین

پیش بینی دقیق تنش سیلان برای تحلیل و یا شبیه سازی عددی رفتار نانوکامپوزیت های با زمینه ی فلزی ضروری است. با این حال، انجام آزمون های عملی جامع، عموما به دلیل صرف هزینه و زمان با محدودیت هایی همراه است. در این پژوهش، از یک رویکرد یادگیری ماشین برای پیش بینی تنش سیلان یک نانوکامپوزیت با زمینه ی آلومینیمی حاوی نانوذرات آلومینا با استفاده از یک مجموعه داده ی آزمایشگاهی کوچک، استفاده شده است. آزمون های فشار حلقه در سه دما (۲۵، ۱۵۰ و ۲۵۰ درجه ی سانتی گراد) و سه نرخ کرنش (۰.۰۰۱، ۰.۰۱ و ۱ s-۱) انجام شد. داده های تنش-کرنش اندازه گیری شده از آزمایش به صورت عددی تصحیح شدند و برای ساخت یک مجموعه داده شامل کرنش، نرخ کرنش، دما و تنش سیلان مورد استفاده قرار گرفتند. برای ارزیابی عملکرد مدل یادگیری ماشین، یکی از ۹ حالت دما-نرخ کرنش (۱ s-۰.۰۰۱ و ۲۵ ℃) از مجموعه ی داده های ورودی حذف و مدل XGBoost با استفاده از ۸ حالت باقی مانده آموزش دید. ابرپارامترهای مدل با استفاده از روش اعتبارسنجی متقاطع روی مجموعه ی آموزش تنظیم شدند. برای حالت دما-نرخ کرنش حذف شده، مقادیر تنش سیلان پیش بینی شده توسط مدل با میزان خطای RMSE = ۱.۴۹ مگاپاسکال و MAPE=۰.۸۵ درصد انطباق قابل قبولی با مقادیر به دست آمده از آزمایش عملی داشت. این نتایج نشان می دهد مدل های یادگیری ماشینی که با داده های محدود کار می کنند، می توانند در شرایطی که داده های آزمایشگاهی محدودی در دسترس است، برآوردهای قابل اعتمادی از مقادیر تنش سیلان برای نانوکامپوزیت های فلزی ارائه کنند.

کلیدواژه ها:

تنش سیلان ، نانوکامپوزیت ، پیش بینی منحنی تنش-کرنش ، یادگیری ماشین