ترجمه فارسی مقاله رویکرد یادگیری ماشین بیومیمتیک برای پیش‌بینی خواص مکانیکی سازه‌های دیواره‌دار مبتنی بر آلیاژهای آلومینیوم رسوب داده شده با روش اصطکاکی اغتشاشی افزایشی

چکیده

This study presents a novel approach to predicting mechanical properties of Additive Friction Stir Deposited (AFSD) aluminum alloy walled structures using biomimetic machine learning. The research combines numerical modeling of the AFSD process with genetic algorithm-optimized machine learning models to predict von Mises stress and logarithmic strain. Finite element analysis was employed to simulate the AFSD process for five aluminum alloys: AA2024, AA5083, AA5086, AA7075, and AA6061, capturing complex thermal and mechanical interactions. A dataset of 200 samples was generated from these simulations. Subsequently, Decision Tree (DT) and Random Forest (RF) regression models, optimized using genetic algorithms, were developed to predict key mechanical properties. The GA-RF model demonstrated superior performance in predicting both von Mises stress (R square = 0.9676) and logarithmic strain (R square = 0.7201). This innovative approach provides a powerful tool for understanding and optimizing the AFSD process across multiple aluminum alloys, offering insights into material behavior under various process parameters.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک رویکرد جدید برای پیش بینی خصوصیات مکانیکی اصطکاک اصطکاک افزودنی (AFSD) ساختارهای دیواری آلیاژ آلومینیومی با استفاده از یادگیری ماشین بیومیمیک ارائه می دهد.این تحقیق از مدل سازی عددی فرآیند AFSD با مدل های یادگیری ماشین بهینه شده الگوریتم بهینه سازی شده برای پیش بینی استرس فون میزس و فشار لگاریتمی استفاده می کند.تجزیه و تحلیل عناصر محدود برای شبیه سازی فرآیند AFSD برای پنج آلیاژ آلومینیوم استفاده شد: AA2024 ، AA5083 ، AA5086 ، AA7075 و AA6061 ، ضبط تعامل های حرارتی و مکانیکی پیچیده.مجموعه ای از 200 نمونه از این شبیه سازی ها تولید شد.پس از آن ، مدل های رگرسیون درخت تصمیم (DT) و جنگل تصادفی (RF) ، بهینه سازی شده با استفاده از الگوریتم های ژنتیکی ، برای پیش بینی خصوصیات مکانیکی کلیدی تهیه شده اند.مدل GA-RF عملکرد برتر را در پیش بینی استرس فون میزس (R مربع = 0.9676) و کرنش لگاریتمی (R Square = 0.7201) نشان داد.این رویکرد نوآورانه ابزاری قدرتمند برای درک و بهینه سازی فرآیند AFSD در چندین آلیاژ آلومینیومی ارائه می دهد و بینش هایی از رفتار مادی را تحت پارامترهای مختلف فرآیند ارائه می دهد.