• شماره ركورد
    33711
  • پديد آورنده

    عليرضا خانلري

  • عنوان
    بررسي كارايي الگوريتم هاي هوش مصنوعي جهت شبيه سازي اثر عمليات حرارتي بر سختي الياژ Ti-6Al-4V ساخته شده به روش SLM
  • مقطع تحصيلي
    ارشد
  • رشته تحصيلي
    مهندسي مواد و متالورژي گرايش شكل دهي فلزات
  • سال تحصيل
    1402
  • تاريخ دفاع
    1404/6/25
  • استاد راهنما
    دكتر عليرضا ايواني
  • استاد مشاور
    دكتر مرتضي ذاكري
  • دانشكده
    مهندسي مواد و متالورژي
  • چكيده
    در اين پژوهش، چارچوبي مبتني بر شبيه‌سازي و يادگيري ماشين براي پيش‌بيني سختي ويكرز آلياژ Ti-6Al-4Vتوليدشده به روش ذوب ليزري انتخابي توسعه داده شد. اين آلياژ به دليل استحكام و زيست‌سازگاري بالا كاربرد وسيعي در صنايع هوافضا و پزشكي دارد و بهينه‌سازي رفتار مكانيكي آن اهميت ويژه‌اي دارد. براي ايجاد يك پايگاه داده‌ي جامع، داده‌هاي حاصل از منابع مختلف شامل مقالات معتبر، شبيه‌سازي مبتني بر توليد داده مصنوعي و مجموعه‌اي محدود از نتايج آزمايشگاهي جمع‌آوري شد. داده‌ها شامل پارامترهاي ساخت (توان ليزر، سرعت اسكن، فاصله هچ)، شرايط عمليات حرارتي (دماي عمليات حرارتي ، زمان‌هاي نگه‌داري، روش سردسازي) و ويژگي‌هاي ريزساختاري (اندازه دانه، كسري فازها) بودند. به‌منظور راستي‌آزمايي نتايج شبيه‌سازي و مدل‌هاي يادگيري ماشين، مجموعه‌اي از آزمايش‌هاي عمليات حرارتي طراحي و اجرا شد. اين آزمايش‌ها شامل دو گروه اصلي بودند: عمليات ايزوترمال در دماهاي 750، 850، 950 و ºC 1050 به مدت 2 ساعت همراه با روش‌هاي سردسازي مختلف، و عمليات دو‌مرحله‌اي شامل حرارت‌دهي اوليه در دماهاي 950 و 1050 درجه سانتي‌گراد و پيرسازي در دماهاي 650 و 950 درجه سانتي‌گراد در بازه‌هاي زماني 2، 4 و 8 ساعت. نتايج سختي‌سنجي ويكرز به‌عنوان داده‌هاي مرجع براي ارزيابي صحت مدل‌ها به‌كار گرفته شد. مدل‌هاي متنوعي شامل Random Forest، Gradient Boosting، MLP، SVM، AdaBoost و KNN آموزش داده شده و با استفاده از اعتبارسنجي متقابل 5-بخشي و نسبت 70/30 براي داده‌هاي آموزش/آزمون ارزيابي شدند. نتايج نشان داد كه مدل‌هاي مبتني بر بوستينگ AdaBoost) و (Gradient Boosting بالاترين دقت پيش‌بيني را ارائه دادند R²) بالاتر از 0٫9 و MAE كمتر از 4٫5( HV تحليل اهميت ويژگي‌ها (SHAP) نيز آشكار ساخت كه دماي مرحله دوم عمليات حرارتي و زمان‌هاي نگه‌داري بيشترين اثر را بر پيش‌بيني سختي دارند، در حالي كه اثر پارامترهايي همچون تركيب شيميايي ثابت يا روش سردسازي ناچيز بود. اين مطالعه نشان داد كه تركيب داده‌هاي چندمنبعي (شبيه‌سازي، داده‌هاي ادبيات و نتايج محدود آزمايشگاهي) در كنار مدل‌هاي يادگيري ماشين نه‌تنها امكان پيش‌بيني دقيق خواص مكانيكي را فراهم مي‌كند، بلكه ابزار نويني براي بهينه‌سازي شرايط فرآيندي و حرارتي در آلياژهاي مهندسي به شمار مي‌رود.
  • تاريخ ورود اطلاعات
    1404/07/08
  • عنوان به انگليسي
    Investigating the Efficiency of Artificial Intelligence Algorithms for Simulating the Effect of Heat Treatment on the Hardness of SLM-Fabricated Ti-6Al-4V Alloy
  • تاريخ بهره برداري
    1/1/1900 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    عليرضا خانلري

  • چكيده به لاتين
    This study presents a machine learning (ML) framework for predicting the Vickers hardness of Ti-6Al-4V alloy parts produced by selec‎tive laser melting (SLM) an‎d subjected to post processing heat treatments. A comprehensive dataset was assembled by combining laboratory experiments (19 samples), published literature values, an‎d 200 synthetically generated samples (via a variational autoencoder) to cover SLM parameters (e.g., laser power, scan speed, hatch spacing), heat-treatment conditions (dual-stage annealing temperatures, hold times, cooling modes), an‎d microstructural features (grain size, phase fractions). Twelve regression algorithms were compared (including linear regression, SVR, decision tree, ran‎dom forest, MLP, XGBoost, AdaBoost, an‎d Gradient Boosting) using a 70/30 train–test split an‎d five-fold cross-validation. Gradient Boosting delivered the highest accuracy (test R² ≈ 0.95, MAE ≈ 1.4 HV, RMSE ≈ 4.0 HV), with AdaBoost close behind (R² ≈ 0.90, MAE ≈ 1.5 HV, RMSE ≈ 4.4 HV). Other models (e.g. a single decision tree) performed significantly worse. Feature importance analysis via SHapley Additive exPlanations (SHAP) revealed that heat-treatment parameters dominate hardness predictions: the second-stage annealing temperature an‎d both hold times had the largest positive impact on predicted hardness. Grain size after heat treatment an‎d hatch spacing had secondary influence, whereas the fixed alloy composition an‎d cooling method showed negligible effect. This work is novel in integrating multi-source data an‎d interpretable ensemble ML to enable predictive optimization of SLM Ti-6Al-4V heat treatments. Limitations include the small experimental dataset an‎d narrow composition range; future work should expan‎d data diversity an‎d incorporate physics-informed features to improve generalizability.
  • كليدواژه هاي فارسي
    ساخت افزايشي , عمليات حرارتي , (selec‎tive Laser Melting (SLM , سختي‌سنجي ويكرز , الگوريتم‌هاي هوش مصنوعي , يادگيري ماشين , آلياژ Ti-6Al-4V
  • كليدواژه هاي لاتين
    selec‎tive Laser Melting (SLM) , Heat treatment , Ti-6Al-4V , Artificial intelligence algorithms , Machine learning
  • Author
    Alireza khanlari
  • SuperVisor
    Ali Reza Eivani
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=33711&Field=0&DTC=6