معالجة منحنيات استرخاء الإجهاد للبوليمرات بطرق التعلم الآلي
محتوى المقالة الرئيسي
الملخص
حاليًا، أحد المجالات الموضوعية لتطبيق طرق التعلم الآلي هو التنبؤ بالخصائص المادية. الهدف من هذا العمل هو تطوير نماذج التعلم الآلي لتحديد الخصائص الريولوجية للبوليمرات من منحنيات استرخاء الإجهاد التجريبية. تقدم الورقة لمحة عامة عن الاتجاهات الرئيسية للنهج الميتاهويرية (البحث المحلي، والخوارزميات التطورية) لحل مشاكل التحسين التوافقي. يتم وصف الخوارزميات الميتاهورية لحل بعض مشاكل تحسين التوافقية المهمة، مع التركيز بشكل خاص على بناء أشجار القرار. تم إجراء تحليل مقارن للخوارزميات لحل مشكلة الانحدار في CatBoost Regressor. . الهدف من الدراسة هو مجموعات البيانات المتولدة التي تم الحصول عليها على أساس منحنيات استرخاء الإجهاد النظرية. وترد جداول البيانات الأولية لنماذج التدريب لجميع العينات، ويجري تحليل إحصائي لخصائص مجموعات البيانات الأولية. كان العدد الإجمالي للتجارب العددية لجميع العينات 346020 اختلافًا. عند تطوير النماذج، تم استخدام طرق CatBoost للذكاء الاصطناعي، وتم استخدام طرق التسوية (تحلل الوزن، وتسوية الوزن المفصول، وزيادة) لتحسين دقة النموذج، وتم استخدام طريقة Z-Score لتطبيع البيانات. نتيجة للدراسة، تم تطوير نماذج ذكية لتحديد المعلمات الريولوجية للبوليمرات المدرجة في معادلة ماكسويل-غوريفيتش غير الخطية المعممة (لزوجة الاسترخاء الأولية، وحدة السرعة) باستخدام مجموعات البيانات المولدة لرابط الإيبوكسي EDT-10 كمثال. بناءً على نتائج اختبار النماذج، تم تقييم جودة النماذج، ورسم رسوم بيانية للتنبؤات للمتدربين وعينات الاختبار، ورسوم بيانية لأخطاء التنبؤ. تستند النماذج الذكية إلى خوارزمية CatBoost ويتم تنفيذها في بيئة دفتر المشتري في بايثون. اجتازت النماذج المشيدة تقييم الجودة وفقًا للمقاييس التالية: MAE و MSE و RMSE و MAPE. كانت القيمة القصوى لتنبؤات خطأ النموذج 0.86 لمقياس MAPE، والقيمة الدنيا لتنبؤات خطأ النموذج كانت 0.001 لمقياس MSE. تقديرات أداء النموذج التي تم الحصول عليها أثناء الاختبار.
Received 29/03/2023
Revised 09/06/2023
Accepted 11/06/2023
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Papanicolaou GC, Zaoutsos SP. Viscoelastic constitutive modeling of creep and stress relaxation in polymers and polymer matrix composites. Creep and Fatigue in Polymer Matrix Composites.2nd Edition 2019; 3-59. https://doi.org/10.1016/B978-0-08-102601-4.00001-1
Sun T, Yu C, Yang W, Zhong J, Xu Q. Experimental and numerical research on the nonlinear creep response of polymeric composites under humid environments. Compos Struct. 2020; 251(3): 112673. https://doi.org/10.1016/j.compstruct.2020.112673
Amjadi M, Fatemi A. Creep and fatigue behaviors of High-Density Polyethylene (HDPE): Effects of temperature, mean stress, frequency, and processing technique. Int J Fatigue. 2020; 141: 105871. https://doi.org/10.1016/j.ijfatigue.2020.105871
Xiang G, Yin D, Meng R, Lu S. Creep model for natural fiber polymer composites (NFPCs) based on variable order fractional derivatives: simulation and parameter study. J Appl Polym Sci. 2020; 137(24): 48796. https://doi.org/10.1002/app.48796
Tezel T, Kovan V, Topal ES. Effects of the printing parameters on short‐term creep behaviors of three‐dimensional printed polymers. J Appl Polym Sci. 2019; 136(21): 47564. https://doi.org/10.1002/app.47564
Yazyev BM. Temperature stresses in a rigid polymer rod. Int Polym Sci. 2008; 35(5): 45-47. https://doi.org/10.1177/0307174X0803500510
Tsybin NY, Turusov RA, Andreev VI. Comparison of creep in free polymer rod and creep in polymer layer of the layered composite. Procedia Eng. 2016; 153: 51-58. https://doi.org/10.1016/j.proeng.2016.08.079
Valeva V, Hristova J, Ivanova J. Numerical prediction of the strain state of thermoset matrix/mineral filler composite plates. Mech Compos Mater. 2005; 41: 97-104. https://doi.org/10.1007/s11029-005-0036-6
Litvinov SV, Klimenko ES, Kulinich II, Yazyeva SB. Longitudinal bending of polymer rods with account taken of creep strains and initial imperfections. Int Polym Sci. 2015; 42(2): 23-26. https://doi.org/10.1177/0307174X1504200206
Litvinov SV, Song X, Yazyev SB, Avakov AA. Approbation of the mathematical model of adhesive strength with viscoelasticity. Key Eng Mater. 2019; 816: 96-101. https://doi.org/10.4028/www.scientific.net/KEM.816.96
Yazyev SB, Litvinov SV, Dudnik AE, Doronkina IG. Rheological aspects of multilayered thick-wall polymeric pipes under the influence of internal pressure. Key Eng Mater. 2020; 869: 209-217. https://doi.org/10.4028/www.scientific.net/KEM.869.209
Yazyev S, Kozelskaya M, Strelnikov G, Litvinov S. Energy method in solving the problems of stability for a viscoelastic polymer rods. MATEC Web Conf. 2017; 129: 05010. https://doi.org/10.1051/matecconf/201712905010
Litvinov S, Yazyev S, Chepurnenko A, Yazyev B. Determination of Rheological Parameters of Polymer Materials Using Nonlinear Optimization Methods. Lect Notes Civ Eng. 2021; 130: 587-594. https://doi.org/10.1007/978-981-33-6208-6_58
Chepurnenko A. Determining the Rheological Parameters of Polymers Using Artificial Neural Networks. Polymers. 2022; 14(19): 3977. https://doi.org/10.3390/polym14193977
Yasear SA., Ku-Mahamud KR. Taxonomy of memory usage in swarm intelligence-based metaheuristics. Baghdad Sci J. 2019; 16(2): 445-452. https://doi.org/10.21123/bsj.2019.16.2(SI).0445
Al-Behadili HNK. Improved firefly algorithm with variable neighborhood search for data clustering. Baghdad Sci J. 2022; 19(2): 409-421. https://doi.org/10.21123/bsj.2022.19.2.0409
Ramos-Figueroa O, Quiroz-Castellanos M, Mezura-Montes E, Schütze O. Metaheuristics to solve grouping problems: a review and a case study. Swarm Evol Comput. 2020; 53: 100643. https://doi.org/10.1016/j.swevo.2019.100643
Kondratieva T, Prianishnikova L, Razveeva I. Machine learning for algorithmic trading. E3S Web Conf. 2020; 224: 01019. https://doi.org/10.1051/e3sconf/202022401019
Krause A, Fairbank M. Baseline win rates for neural-network based trading algorithms. IEEE Xplore. 2020; https://doi.org/10.1109/IJCNN48605.2020.9207649