توسط موسسه ملی علوم مواد3 آگوست 2020
آلیاژهای آلومینیوم سبک و باعث صرفه جویی در مصرف انرژی هستند که برای مقاصد مختلف استفاده می شوند ، از آنها در مواد جوشکاری ساختمانها تا بدنه های دوچرخه و هواپیما استفاده می شود.
دانشمندان در ژاپن یک روش یادگیری ماشینی را توسعه داده اند که می تواند عناصر و فرآیندهای تولید مورد نیاز برای به دست آوردن آلیاژ آلومینیوم با خواص مکانیکی خاص و مورد نظر را پیش بینی کند. بنا به اطلاعات این رویکرد ، که در مجله Science and Technology of Advanced Material منتشر شده است ، می تواند کشف مواد جدید را تسهیل کند.
آلیاژهای آلومینیوم سبک ، عامل مهمی درصرفه جویی مصرف انرژی هستند ، که عمدتا از آلومینیوم ساخته می شوند ، اما حاوی عناصر دیگری مانند منیزیم ، منگنز ، سیلیکون ، روی و مس نیز هستند. ترکیبی از عناصر و فرایند تولید تعیین می کند که آلیاژها در برابر تنش های مختلف و یا سایر خواص مکانیکی و غیره چقدر مقاوم هستند. به عنوان مثال سری 5000 آلیاژ آلومینیوم حاوی منیزیم و چندین عنصر دیگر هستند و به عنوان ماده جوشکاری در ساختمان ها ، اتومبیل ها و مخازن تحت فشار استفاده می شوند. آلیاژهای آلومینیومی سری 7000 دارای روی و معمولاً منیزیم و مس هستند و بیشتر در پروفیللهای بدنه های دوچرخه مورد استفاده قرار می گیرند.
آزمایش با ترکیبات مختلف عناصر و فرآیندهای تولید برای ساخت آلیاژهای آلومینیوم بسیار وقت گیر و گران است. برای غلبه بر این امر، ریو تامورا و همکارانش در انستیتوی ملی علوم مواد ژاپن و شرکت تویوتا موتور یک مدل انفورماتیکی مواد را تهیه کرده اند که داده های شناخته شده از پایگاه داده های آلیاژ آلومینیوم را در یک مدل یادگیری ماشینی وارد می کند. این مدل برای درک روابط بین خصوصیات مکانیکی آلیاژها و عناصر مختلفی که از آنها ساخته و همچنین نوع عملیات حرارتی که در طول تولید استفاده می شود ، را ه کاری ارایه می دهد. پس از تهیه میزان کافی از داده ، مدل می تواند آنچه را برای تولید آلیاژ جدید با خصوصیات مکانیکی خاص مورد نیاز است ، پیش بینی کند. همه اینها بدون نیاز به ورود اطلاعات یا نظارت از جانب انسان انجام می شود.
به عنوان مثال ، آلیاژ آلومینیوم سری 5000 را که در برابر استرس و تغییر شکل بسیار مقاوم هستند را با افزایش مقداری منگنز و منیزیم و کاهش میزان آلومینیوم می توان ساخت.
Tamura می گوید: “این نوع اطلاعات می تواند برای تولید مواد جدید از جمله آلیاژهای مورد نیاز صنعت مفید باشد.”
این مدل از یک روش آماری به نام زنجیره مارکوف مونت کارلو استفاده می کند که از الگوریتم هایی برای بدست آوردن اطلاعات استفاده می کند و سپس نتایج را در نمودارهایی نشان می دهد که تجسم نحوه ارتباط متغیرهای مختلف را تسهیل می کند. با وارد کردن یک مجموعه داده بزرگتر در طی فرایند آموزشی ، رویکرد یادگیری ماشینی قابل اطمینان تر می شود.
https://techxplore.com
