یک رویکرد مبتنی بر کشف جامعه در شبکه‌ های اجتماعی برای بهبود تحلیل معادلات در علم مواد

امروزه آلیاژهای آنتروپی بالا یکی از حوزه‌های محبوب برای محققان می‌باشند که عملکرد آنها با استفاده از یادگیری ماشین بهبود یافته‌اند. آلیاژهای آنتروپی بالا از حداقل پنج عنصر اصلی با اندازه‌های نزدیک به هم تشکیل شده‌اند که ویژگی‌های آنها به اندازه و انواع عناصر بستگی دارد تا خواص فیزیکی و مکانیکی را بهبود دهند. رویکرد یادگیری ماشین در زمینه‌های مختلف کاربردهای فراوانی دارد. تحلیل شبکه‌های اجتماعی یکی از ابزارهای یادگیری ماشین است که از نظریه گراف استفاده می‌کند. هر گراف از تعدادی گره و یال تشکیل شده است که هر گره دارای ویژگی‌های خاص خود است. کارهایی که تاکنون انجام شده است از مجموعه داده آلیاژ آنتروپی بالا شبکه مبتنی بر میزان نزدیکی محتوایی و ساختاری ویژگی‌های هر ترکیب استفاده نکرده‌اند. در این مقاله، روشی نوین ارائه شده است که ابزار شبکه اجتماعی را به مهندسی متالوژی و مواد تعمیم می‌دهد. روش پیشنهادی با استفاده از ابزار شبکه اجتماعی به بررسی خواص آلیاژهای آنتروپی بالا پرداخته است که شباهت آلیاژها محاسبه شده و بر اساس آن شبکه اجتماعی مواد ساخته شده است. با بکار بردن تکنیک الگوریتم لووین، گروه‌هایی از این آلیاژها استخراج شده است که هر گروه به نام خوشه دارای آلیاژهایی با خواص مشابه است. نتایج عملی بدست آمده، خوشه‌های با کیفیت بالایی را نشان می‌دهد که در پیش‌بینی عملکرد ترکیبات و کشف ترکیبات و ویژگی‌های جدید موثر خواهند بود. معیار پیمانگی که بیانگر کیفیت خوشه‌ها است حدود 0/70 بدست آمده است که در مقایسه با روش های موجود دارای کیفیت بالاتر است..

a community detection-based approach in social networks to improve the equation analysis in the material science

nowadays, high-entropy alloys (heas) are a popular domain for researchers which is improved performance by using machine learning (ml). heas are formed at least five main elements with close or equal size which is depend on their size and type of elements to extend physical and mechanical features. the ml approach has many applications in various fields. social network analysis (sna) is one of the ml tools that is used graph theory. each graph consists of a number of nodes and edges that each node has its own descriptors. the studies done so far has not used the high-entropy alloys network dataset based on the similarity of content and structural features of each compound. in this paper, a new method is proposed that generalized sna tools to metallurgical and materials engineering. the proposed method is investigated the heas descriptors, in which heas descriptors similarity are calculated and the heas interaction network is created. the groups have been extracted by louvain algorithm which each group called cluster. the clusters have alloys with similar properties. the experimental results shown high quality clusters that will be effective in predicting the compounds functionality and discovering new compounds and descriptors. the modularity criterion indicates the quality of the clusters, is about 0.713.