26790

پيش‌بيني نوع توزيع و اندازه نانوذرات سيليس توليد شده به روش رسوب در محيط قليايي به كمك مد‌ل‌سازي يادگيري ماشين و اعتبارسنجي عملي نتايج مدل

كارشناسي ارشد

مهندسي مواد

14002

1401/03/25

دكتر حسين سرپولكي- دكتر حميدرضا رضايي

دكتر هاجر قنبري

مهندسي مواد و متالورژي

علم داده، يادگيري ماشين و هوش مصنوعي مبتني بر علم آمار و احتمالات، سامانه‌هاي پيچيده، علم نورون و علم رايانه است كه در آن يك الگوريتم از پيش طراحي شده، از روي نمونه‌ها (مشاهدات) از قبل جمع‌آوري شده در ارتباط با يك موضوع، آموزش مي‌بيند تا علاوه بر كشف روابط پنهان ميان داده‌ها بتواند برآوردهايي در ارتباط با نمونه‌هاي جديد، انجام دهد. با درك اهميت كاربرد هوش مصنوعي در زمينه‌هاي مختلف، از جهت كاهش بسيار زياد هزينه‌ها و زمان پژوهش‌ها و نيز بالا رفتن هرچه بيشتر احتمال موفقيت، كاربرد علم داده و هوش مصنوعي تحت عنوان يادگيري ماشين، به سرعت در تمامي علوم و مهندسي‌ها جاي خود را باز كرد. زمينه‌ي سنتز مواد نيز به عنوان يكي از چالش‌ برانگيز‌ترين حوزه‌ها در مهندسي مواد، از كاربرد يادگيري ماشين بي‌بهره نمانده است. چالش اصلي در اين زمينه، تعداد زياد پارامترهاي موثر بر محصول نهايي است. نانوذرات سيليس، كاربردهاي صنعتي، پژوهشي و پزشكي گسترده‌اي دارند. در سنتز اين ذرات به روش ته‌نشيني از محيط سيليكات قليايي پارامتر‌هاي زيادي موثر هستند. بنابراين در پژوهش‌ حاضر سعي شد تا با بررسي داده‌هاي منتشر شده در ارتباط با سنتز نانوذرات سيليس از روش محيط قليايي بر پايه سيليكات سديم، مجموعه‌ي داده مناسبي از آزمايش‌هاي مشابه، به منظور آموزش ماشين جمع‌آوري شود. سپس با استفاده از اين مجموعه داده، ماشيني طراحي شد و آموزش ديد كه بتواند در ازاي دريافت پارامتر‌هاي آزمايش‌هاي انجام نشده به عنوان ورودي، خواص مورد نظر از نانوذرات نهايي را پيش‌بيني كند. در پايان نيز علاوه بر اعتبارسنجي نظري، از چندين مورد از پيش‌بيني‌هاي مدل نهايي در آزمايشگاه و به صورت عملياتي و تجربي، اعتبارسنجي صورت گرفت. در نتيجه‌ي پژوهش حاضر، يك مدل يادگيري ماشين از تركيب چند مدل‌ يادگيري ماشين سنتي و شبكه عصبي طراحي شد كه پس از آموزش ديدن از روي مجموعه داده جمع‌آوري شده، داراي ضريب تشخيص 88/54٪ در برآورد سطح ويژه ذرات نهايي، 19/61% در برآورد اندازه ذرات توزيع يك، 43/44٪ در برآورد انحراف از ميانگين اندازه ذرات توزيع يك و 69/77% براي وجود يا عدم وجود توزيع دو، بر روي داده‌هاي ديده نشده، بود. نتايج اعتبارسنجي عملي تاييد كاملي بر نتايج اعتبارسنجي نظري بود. طراحي چنين مدلي با قدرت تعميم بالا براي برآورد توزيع اندازه ذرات نانوذرات سيليس در آزمايشگاه، گامي استوار براي كاربرد يادگيري ماشين در واحد‌هاي توليدي صنعتي و نيمه‌صنعتي است. به اين ترتيب علاوه بر اينكه از مدل نهايي پژوهش حاضر مي‌توان با اطمينان براي برآورد توزيع نانوذرات سيليس حاصل از روش ته‌نشيني استفاده كرد، مي‌توان با طي قدم به قدم مراحل اين پژوهش، مدلي كامل با قدرت تعميم بسيار بالا مختص يك واحد توليدي مشخص و محصولات آن طراحي كرد. به اين ترتيب واحد‌هاي توليدي نانوذرات سيليس، با كاربرد يادگيري ماشين ضمن كاهش زمان و هزينه، از انعطاف‌پذيري بسيار بالايي براي پاسخ به نياز‌هاي بسيار گسترده و متنوع اين محصول در بازار، برخوردار مي‌شوند. چنين پژوهشي در نوع خود جزو اولين موارد در دنيا محسوب مي‌شود.

1401/04/14

Predicting Silica Nano-particles distribution and size, synthesized from alkaline environment, using machine learning and practical validation of the results

6/15/2023 12:00:00 AM

Data science, machine learning and artificial intelligence are based on the science of statistics, probability, complex systems, neuroscience and computer science, in which a pre-designed learning algorithm is trained with observations (samples). This algorithm is trained to discover hidden relationships between observations and make estimations for new samples. Realizing the importance of using artificial intelligence in various fields in order to greatly reduce the cost and time of research and increase the probability of success, the use machine learning, quickly found its place in all sciences and engineering fields. Materials synthesis as one of the most challenging fields in materials science and engineering, is one of these fields. The main challenge in this field is the large number of parameters affecting the final product properties. Silica nanoparticles have a wide range of industrial, research and medical applications. Many parameters are effective in the synthesis of these particles by precipitation from alkaline silicate medium. Therefore, in the present study, an attempt was made to collect a suitable dataset from similar experiments. Then by using this dataset a machine was designed and trained to be able to predict the desired properties of the final nanoparticles receiving the parameters of experiments performed as input. Finally, in addition to theoretical validation, several predictions of the final model were validated in the laboratory, both operationally and experimentally. As a result of the present study, a machine learning model was designed from a combination of several traditional machine learning models and neural network, which after learning from the collected dataset, has a detection coefficient of 54.88% in estimating the specific surface area, 61.19 % In estimating the mean particle size of modal one distribution, 44.43% in estimating the standard deviation of mean particle size of modal one distribution and 77.69% for the presence or absence of distribution modal 2 of unseen data. The results of the practical validation were a complete confirmation of the theoretical validation results. The design of such a generalized model is a solid step for the application of machine learning in industrial and semi-industrial production of silica nano particles. This research also confirmed that a generalized model for a specific production unit and its products can be designed via machine learning. In this way, the production units of silica nanoparticles, use machine learning in order to reduce time and cost and have a very high flexibility for responds to the very wide and diverse needs of this product in the market.

يادگيري ماشين , هوش مصنوعي , داده محور , سنتز , نانو سيليس , محيط قليايي

Machine Learning , Artificial Intelligence , Data Driven , Synthesis , Silica nanoparticles , Alkali

Mohammadreza Saeidi Varnoosfaderani

Dr. Hossein Sarpoolaky - Dr.Hamidreza Rezaei