24256

MEC2 264

كارشناسي ارشد

مهندسي مكانيك - طراحي كاربردي

فني و مهندسي

1403/11/03

152 ص.

دكتر محمد حيدري راراني

دكتر رضا راستي

يادگيري ماشين , يادگيري عميق , يادگيري تقويتي , روش سطح پاسخ , پيش‌بيني خواص كششي

پيش‌بيني خواص كششي پليمر‌هاي گرمانرم PLA و ABS، از جمله مدول الاستيك و استحكام كششي، با استفاده از الگوريتم‌هاي يادگيري ماشين و يادگيري عميق هدررفت مواد و هزينه‌هاي ساخت را به شدت كاهش مي‌دهد. در اين مطالعه الگوريتم‌هاي يادگيري ماشين و عميق براي پيش‌بيني خواص كششي PLA و ABS توسعه داده شدند. براي تنظيم هايپرپارامترهاي الگوريتم‌هاي يادگيري ماشين به منظور پيش‌بيني خواص كششي PLA از روش جستوجوي شبكه‌اي استفاده شد چون كه تعداد كافي داده در مقالات مختلف وجود داشت. در حالي كه از روش پربازده محاسباتي تاگوچي براي تنظيم هايپرپارامتر‌هاي الگوريتم‌هاي يادگيري عميق استفاده گردد. در انتها از روش گراديان سياست قطعي عميق كه يك بخشي از يادگيري تقويتي عميق است براي تنظيم هايپرپارامتر‌هاي الگوريتم‌هاي يادگيري ماشين براي پيش‌بيني خواص كششي ABS با توجه به كم بودن داده‌ها انجام شد. از نوآوري‌هاي اين پژوهش مي‌توان به مقايسه الگوريتم‌هاي يادگيري عميق سنتي و به‌روز و همچنين به تركيب الگوريتم‌هاي يادگيري ماشين براي پيش‌بيني خواص كششي پليمر‌هاي چاپ سه‌بعدي‌شده اشاره كرد. . نتايج نشان داد كه تركيب الگوريتم‌هاي يادگيري ماشين CatBoost-GPR و CatBoost-GBM-XGBoost-LGBM بهترين عملكرد را در پيش‌بيني مدول الاستيك و استحكام كششي قطعات PLA با دقت‌هاي پيش‌بيني به ترتيب 99.476 و 98.051 درصد ارائه دادند. همچنين الگوريتم تركيب‌شده CatBoost-KNN-KR با دقت 93.925 درصد، الگوريتم تركيب‌شده SVR-XGBoost با دقت 88.309 درصد و الگوريتم تركيب‌شده CatBoost-KR-SVR-XGBoost با دقت 90.18 درصد به ترتيب داراي بالاترين دقت پيش‌بيني براي پيش‌بيني استحكام كششي، پيش‌بيني مدول الاستيك و پيشبيني همزمان مدول الاستيك و استحكام كششي ABS چاپ سه‌بعدي‌شده داشتند. هم‌چنين، الگوريتم TabNet به‌عنوان يك شبكه عصبي پيشرفته و به روز، عملكرد پيش‌بيني دقيق‌تري نسبت به روش‌هاي سنتي مانند ANN و LSTM نشان داد. در نهايت، با استفاده از روش سطح پاسخ، بيشينه‌سازي همزمان مدول الاستيك و استحكام كششي قطعات ABS چاپ سه‌بعدي‌شده انجام شد كه اختلاف زير ده درصد براي مقادير بيشينه ارائه‌شده به روش سطح پاسخ و مقادير آزمايشگاهي به دست آمد. از محدوديت‌هاي موجود در اين تحقيق نبود داده‌هاي كافي براي ABS چاپ سه‌بعدي‌شده در مقالات بود كه در اين تحقيق تعداد كمي داده با توجه به هزينه‌هاي آزمايش‌ها و ساخت مواد وجود داشت.

Machine learning , Deep learning , Reinforcement learning , Response surface methodology , Prediction of tensile properties

Prediction and optimization of tensile properties of 3D-printed materials utilizing machine learning approach

مهندسي مكانيك

Predicting the tensile properties of thermoplastic polymers such as PLA and ABS, including elastic modulus and tensile strength, significantly reduces material waste and manufacturing costs through the application of machine learning and deep learning algorithms. In this study, machine learning and deep learning algorithms were developed for predicting the tensile properties of PLA and ABS. A grid search method was employed for hyperparameter tuning of the machine learning algorithms to predict the tensile properties of PLA, leveraging the sufficient amount of data available in various publications. Meanwhile, the efficient computational Taguchi method was utilized for tuning the hyperparameters of the deep learning algorithms. Ultimately, the deep deterministic policy gradient method, a part of deep reinforcement learning, was used for hyperparameter tuning of the machine learning algorithms for predicting the tensile properties of ABS due to the scarcity of data. Innovative aspects of this research include the comparison of traditional and state-of-the-art deep learning algorithms, as well as the integration of machine learning algorithms for predicting the tensile properties of 3D-printed polymers. The results indicated that the combination of the CatBoost-GPR and CatBoost-GBM-XGBoost-LGBM algorithms yielded the best performance in predicting the elastic modulus and tensile strength of PLA parts, achieving prediction accuracies of 99.476% and 98.051%, respectively. Additionally, the combined CatBoost-KNN-KR algorithm demonstrated a prediction accuracy of 93.925%, the SVR-XGBoost combined algorithm achieved an accuracy of 88.309%, and the CatBoost-KR-SVR-XGBoost combined algorithm attained an accuracy of 90.18% for predicting tensile strength, elastic modulus, and simultaneous predictions of both properties for 3D-printed ABS. Furthermore, the TabNet algorithm, as an advanced and updated neural network, exhibited a more accurate predictive performance compared to traditional methods such as ANN and LSTM. Finally, utilizing a response surface methodology allowed for the simultaneous maximization of the elastic modulus and tensile strength of 3D-printed ABS parts, with a discrepancy of less than ten percent observed between the values obtained from the response surface method and experimental values. A limitation of this research was the lack of sufficient data for 3D-printed ABS in the literature, resulting in a limited dataset due to the costs associated with experiments and material fabrication.

5

118876