کاربرد روشهای یادگیری ماشین در پیشبینی چقرمگی شکست مواد فلزی بر اساس پارامترهای مکانیک شکست

چقرمگی شکست یکی از مهمترین پارامترهای مکانیکی در طراحی ایمن سازه ها و قطعات مهندسی است که نقش تعیین کننده ای در پیش بینی رفتار شکست ناگهانی مواد فلزی ایفا می کند. روش های متداول تعیین چقرمگی شکست معمولا مبتنی بر آزمون های تجربی پرهزینه، زمان بر و نیازمند تجهیزات تخصصی هستند. از این رو، توسعه رویکردهای جایگزین مبتنی بر داده و تحلیل عددی می تواند گامی موثر در بهینه سازی فرآیند طراحی مهندسی باشد. در این پژوهش یک چارچوب تحلیلی مبتنی بر روش های هوش مصنوعی و یادگیری ماشین به منظور پیش بینی مقدار چقرمگی شکست مواد فلزی ارائه می شود. بدین منظور داده های استخراج شده از مقالات معتبر پیشین شامل پارامترهایی نظیر تنش تسلیم، استحکام کششی نهایی، اندازه دانه، دما و نوع ریزساختار به عنوان ورودی مدل های یادگیری ماشین در نظر گرفته شده اند. الگوریتم هایی مانند رگرسیون چندمتغیره، ماشین بردار پشتیبان و شبکه های عصبی مصنوعی برای مدل سازی ارتباط غیرخطی بین خواص مکانیکی و چقرمگی شکست به کار گرفته شده اند. نتایج تحلیل آماری نشان می دهد که مدل های مبتنی بر هوش مصنوعی قادرند با دقت قابل قبول مقدار چقرمگی شکست را پیش بینی نمایند و وابستگی این پارامتر به متغیرهای موثر ریزساختاری و مکانیکی را آشکار سازند. یافته های این پژوهش حاکی از آن است که استفاده از روش های داده محور می تواند به عنوان ابزاری مکمل در کنار روش های کلاسیک مکانیک شکست در ارزیابی رفتار شکست مواد فلزی مورد استفاده قرار گیرد و هزینه های آزمایشگاهی را به طور قابل توجهی کاهش دهد.

Keywords:

چقرمگی شکست , ضریب شدت تنش , شبکه عصبی مصنوعی , مدل سازی داده محور