ارزیابی کمی دقت و قابلیت تعمیم مدلهای فیزیکی و یادگیری ماشین در پیش بینی k_eff نانوکامپوزیت های گرافن اپوکسی

نانوکامپوزیت های اپوکسی تقویت شده با نانوپلیت های گرافنی (GNP) به عنوان یکی از مهم ترین سامانه های پلیمری برای کاربردهای مدیریت حرارتی پیشرفته شناخته می شوند. با وجود گزارش های تجربی متعدد مبنی بر افزایش چشمگیر هدایت حرارتی موثر (k_eff)، پیش بینی کمی و قابل اعتماد رفتار انتقال حرارت در این مواد همچنان با چالش های بنیادین مواجه است. این دشواری ناشی از ماهیت چندمقیاسی و غیرخطی انتقال حرارت و نقش همزمان عواملی نظیر ناهمسانگردی ذاتی گرافن، پراکندگی و تجمع فیلر، تشکیل شبکه های پرکوله و مقاومت حرارتی مرزی در فصل مشترک فن-اپوکسی است. مدل های کلاسیک محیط موثر و رویکردهای مبتنی بر پرکولاسیون علی رغم بنیان نظری ارزشمند، به دلیل اتکا بر فرضیات ایده آل سازی شده در بازنمایی پیچیدگی های مورفولوژیکی و بین سطحی سامانه های واقعی با محدودیت مواجه اند. در مقابل، مدل های داده محور و مبتنی بر یادگیری ماشین توانایی مدل سازی روابط غیرخطی پیچیده را فراهم می کنند، اما پرسش هایی اساسی درباره تعمیم پذیری، انسجام فیزیکی و قابلیت اطمینان آن ها مطرح است. این مقاله با رویکردی نظام مند و انتقادی به ارزیابی تطبیقی مدل های فیزیکی چندمقیاسی و یادگیری ماشین در پیش بینی (k_eff) نانوکامپوزیت های گرافن اپوکسی می پردازد و با تحلیل مفروضات، دامنه اعتبار و عملکرد آن ها در رژیم های مختلف بارگذاری، چارچوبی مفهومی برای سنجش قابلیت تعمیم و اعتمادپذیری مدل ها ارائه می دهد. این چارچوب می تواند مبنایی برای توسعه مدل های فیزیک مبنا و تعمیم پذیر در طراحی مواد پلیمری با کارایی حرارتی بالا فراهم آورد.

کلیدواژه ها:

نانوپلیت های گرافنی ، نانوکامپوزیت اپوکسی ، هدایت حرارتی موثر ، مدل سازی ، پرکولاسیون ، یادگیری ماشین