مروری بر انفورماتیک تریبولوژی و دستاوردهای حاصله از به‌کارگیری یادگیری ماشین در پژوهش‌های تریبولوژی

داده‌های متنوع و مختلفی مربوط به خواص و ویژگی‌های تریبولوژیکی وجود دارند که در قالب‌های متنوعی از جمله مقالات علمی، اسناد فنی و پایگاه‌های داده پراکنده هستند. این داده‌ها می‌توانند برای حل مسائل پیچیده مرتبط با تریبولوژی، مانند بررسی رابطه بین ساختار و خواص مواد در سطوح تحت اصطکاک و سایش مورد استفاده قرار گیرند. انفورماتیک تریبولوژی با ترکیب تریبولوژی و انفورماتیک به چگونگی به‌کارگیری دانش و ابزارهای تحلیل این داده‌های مختلف به‌منظور استفاده از آنها در بررسی مسایل تریبولوژی می‌پردازد. یادگیری ماشین که یکی از زیرمجموعه‌های هوش مصنوعی است، ابزارهای توانمندی در تحلیل داده‌های پیچیده و کشف روابط چند بعدی بین‌ داده‌ها داشته و می‌تواند درک بهتری از ویژگی‌ها و فرآیندهای تریبولوژیکی ارائه دهد. در این مقاله پس از تشریح مفهوم انفورماتیک تریبولوژی، الگوریتم‌های اصلی یادگیری ماشین که توسط پژوهشگران در مطالعه‌های مختلف به‌منظور تحلیل داده‌های تریبولوژیکی استفاده شده است، به طور خلاصه مرور شده‌اند. در ادامه، پژوهش‌هایی که تا کنون در زمینه انفورماتیک تریبولوژی انجام شده‌اند، بررسی شده است. در این پژوهش‌ها از ابزارهای یادگیری ماشین جهت ارتباط‌دهی بین عواملی مانند ترکیب شیمیایی ماده، فرایند ساخت یا خواص مکانیکی با خواص تریبولوژیک به‌ویژه نرخ سایش و ضریب اصطکاک استفاده شده است. نتایج گزارش‌شده در این مطالعات، قابلیت یادگیری ماشین در پیش‌‌بینی خواص تریبولوژیک با دقت‌هایی تا حدود 90 درصد را نشان می‌دهد. چنین دقت‌هایی می‌تواند کارگشا بودن یادگیری ماشین در توسعه دانش تریبولوژی و حل برخی مسایل پیچیده در این زمینه را نشان دهد.

a comprehensive review of triboinformatics and the advancements achieved through machine learning in tribology research

there is a diverse range of data related to tribological properties and features, scattered across various formats such as scientific articles, technical documents, and databases. this data can be utilized to address complex tribological issues, including examining the relationship between the structure and properties of materials on surfaces under friction and wear. triboinformatics, by merging tribology and informatics, focuses on leveraging knowledge and analytical tools to investigate tribological problems. machine learning, a subset of artificial intelligence, offers powerful tools for analyzing complex data and uncovering multidimensional relationships between data. this can enhance our understanding of tribological properties and processes. in this article, we first explain the concept of triboinformatics, and then briefly review the primary machine learning algorithms used by researchers to analyze tribological data. following this, we examine research conducted in the field of triboinformatics. these studies have employed machine learning tools to link factors such as the chemical composition of materials, manufacturing processes, or mechanical properties with tribological properties, particularly wear rate and friction coefficient. the results reported in these studies demonstrate machine learning's capability to predict tribological properties with accuracies of up to approximately 90%. such accuracies underscore the potential of machine learning in advancing tribology knowledge and addressing complex issues in this field.