طراحی معکوس شیشه های قابل تعویض یونی توسط ادغام رویکرد یادگیری ماشین و الگوریتم ژنتیک

فرآیند تعویض یونی اغلب شامل جایگزینی یک یون بزرگ تر به جای یون کوچک تر است که معمولا در دماهای کمتر از دمای انتقال به شیشه انجام می شود. متغیرهای مهم در این روش، عمق لایه (DOL) و تنش فشاری سطحی (CS) هستند. تعیین بهترین ترکیب برای شیشه های قابل تعویض یونی به علت خواسته های متناقض یک کار پیچیده است. روش های تجربی و سنتی چالش برانگیز، پرهزینه و زمان بر هستند. دستیابی به ترکیب بهینه برای شیشه های قابل تعویض یونی که هم عمق لایه (DOL) و هم تنش فشاری سطحی (CS) بالایی نشان دهند به دلیل تضاد ذاتی بین این ویژگی ها چالش برانگیز است. در پاسخ به این چالش ها، این تحقیق یک استراتژی محاسباتی جدید برای طراحی معکوس شیشه های تعویض پذیر یونی ارائه می کند که از کاربرد هم افزایی الگوریتم ژنتیک و مدل های یادگیری ماشین استفاده می کند. مدل هایی که به پیش بینی مقادیر DOL و CS اختصاص داده شده اند، با استفاده از مجموعه داده ای جامع متشکل از انواع ترکیب های شیشه ای آموزش داده می شوند. سپس این مدل ها یک الگوریتم جستجو را در شناسایی ترکیب های بهینه راهنمایی می کنند. این مطالعه تاثیر پارامترهای مختلف ترکیبی و فرآیندی را بر روی DOL و CS روشن می کند و به طراحی شیشه های با کارایی بالا کمک می کند. در این تحقیق ما یک ترکیب شیشه ای جدید را در سیستم SiO۲-B۲O۳-Al۲O۳-MgO-Na۲O پیشنهاد کرده ایم که عمق لایه ای تا ۵۹ میکرومتر و تنش فشاری سطحی به ۱۱۳۸ مگاپاسکال نشان می دهد.

طراحی معکوس شیشه های قابل تعویض یونی توسط ادغام رویکرد یادگیری ماشین و الگوریتم ژنتیک Keywords:

طراحی معکوس شیشه , تعویض یونی , عمق لایه , تنش فشاری , الگوریتم ژنتیک , یادگیری ماشین