شادي شيشه بران

عنوان

تحليل داده هاي عوامل مؤثر بر عمر خستگي كامپوزيت هاي زمينه فلز به كمك يادگيري ماشين

مقطع تحصيلي

كارشناسي ارشد

رشته تحصيلي

مهندسي مكانيك- ساخت و توليد

سال تحصيل

1402

تاريخ دفاع

1404/7/10

استاد راهنما

محمد رياحي

استاد مشاور

دانشكده

پرديس دانشگاهي - دانشكده مهندسي مكانيك

چكيده

كامپوزيت‌هاي زمينه فلزي به دليل خواص مكانيكي، حرارتي و مقاومتي منحصر به فرد، كاربرد گسترده‌اي در صنايع هوافضا، خودروسازي، الكترونيك و تجهيزات پيشرفته دارند. در اين پژوهش، داده‌هاي تجربي ازطريق مرور بر داده هاس پيشين جمع‌آوري شد كه پايه‌اي مستحكم براي آموزش و اعتبارسنجي مدل‌هاي يادگيري ماشين فراهم كرد. تحليل اين داده‌ها با روش‌هاي آماري و بصري‌سازي، روندها و الگوهاي پنهان عملكرد كامپوزيت‌ها را شناسايي كرد و زمينه مدل‌سازي دقيق‌تر را فراهم نمود.براي تحليل داده‌ها از تكنيك گراديان بوستينگ و ابزار SHAP استفاده شد تا روابط غيرخطي و پيچيده بين تأثير هر عامل بر طول عمر با دقت بالا استخراج گردد. به دليل محدوديت داده‌هاي تجربي، از مدل مولد VAE براي توليد داده‌هاي مصنوعي با حفظ توزيع آماري داده‌هاي واقعي بهره گرفته شد. همچنين، شبكه‌هاي عصبي كانولوشني (CNN) براي استخراج ويژگي‌هاي پيچيده از تصاوير ميكروسكوپي و در نهايت ارزيابي طول عمر مواد، به صورت خودكار و غيرمخرب استفاده شدند و به بهبود دقت پيش‌بيني كمك كرد. تحليل عددي با الگوريتم گراديان بوستينگ رابطه بين عامل هاي ورودي و طول عمر را با در نظر گرفتن اثرات متقابل و غيرخطي مدل‌سازي كرد.مدل با استفاده از زبان پايتون و كتابخانه‌هاي NumPy، Pandas، Scikit-learn و Tensor Flow پياده‌سازي شد. داده‌هاي مصنوعي توليد شده شكاف‌هاي مجموعه داده را پر كردند و امكان تحليل جامع‌تر را فراهم آوردند. نتايج نشان داد كه بهينه‌سازي همزمان عوامل ريزساختاري (كسر حجمي 15-25% و اندازه ذرات نانومتري)، مكانيكي (كنترل دامنه و نسبت تنش)، فرآيندي (متالورژي پودر پيشرفته و تنش‌هاي پسماند فشاري كنترل شده)، محيطي (كنترل دما و محافظت در برابر خوردگي) و استفاده از سيستم‌هاي پايش هوشمند (سنسورهاي FBG و آناليز ارتعاشات) طول عمر كامپوزيت‌ها را بيش از دو برابر افزايش مي‌دهد. مدل توسعه‌يافته با دقت 92 درصد قادر به پيش‌بيني طول عمر در شرايط كاري مختلف است.

تاريخ ورود اطلاعات

1404/10/04

عنوان به انگليسي

Analysis of Factors Affecting the Fatigue Life of Metal Matrix Composites Using Machine Learning

تاريخ بهره برداري

12/22/2025 12:00:00 AM

دانشجوي وارد كننده اطلاعات

شادي شيشه بران

Name: شادي شيشه بران
Author: شادي شيشه بران

چكيده به لاتين

Metal matrix composites have become essential advanced materials in aerospace, automotive, an‎d electronics industries due to their unique mechanical, thermal, an‎d resistance properties. This research developed an innovative machine learning approach based on XGBoost to analyze factors affecting their lifespan. The complex interaction of structural, environmental, processing, an‎d maintenance factors presents significant challenges in predicting material performance under various working conditions. Using advanced SHAP technique, we identified nonlinear an‎d complex relationships between parameters an‎d extracted their relative impact on lifespan with high accuracy. Due to experimental data limitations in specific working conditions, we employed advanced generative models (VAE) to produce synthetic data preserving the statistical distribution of real data. The model was implemented using Python an‎d libraries such as NumPy, Pan‎das, Scikit-learn, an‎d TensorFlow. Results demonstrated that simultaneous optimization of microstructural (15-25% optimal volume fraction, nanometer-sized particles), mechanical (stress amplitude control), processing (advanced powder metallurgy), environmental factors (temperature control, corrosion protection), an‎d the use of intelligent condition monitoring systems can more than double the lifespan of metal matrix composites. The developed model achieved 92% accuracy in predicting lifespan under various working conditions.

كليدواژه هاي فارسي

يادگيري ماشين , الگوريتم XGBoost

كليدواژه هاي لاتين

Machine Learning , XGBoost Model

Author

Shadi Shisheboran

SuperVisor

Dr. Mohamad Riyahi

لينک به اين مدرک

https://dl.iust.ac.ir/dl/search/default.aspx?Term=34247&Field=0&DTC=6