کاربرد یادگیری ماشین در پیش بینی طول عمر کامپوزیت های دریایی

کامپوزیت‌های پلیمری تقویت‌شده با الیاف (frp) به دلیل نسبت بالای مقاومت به وزن و مقاومت مناسب در برابر خوردگی، به‌طور گسترده‌ای در سازه‌های دریایی مورداستفاده قرار می‌گیرند. بااین‌حال، قرارگیری طولانی‌مدت در شرایط محیطی رطوبتی گرمایی می‌تواند منجر به کاهش خواص مکانیکی این مواد شود. مدل‌های سنتی پیش‌بینی دوام نظیر مدل‌های آرنیوس و فیک، باوجود کاربرد گسترده، به دلیل مفروضات ساده‌سازی‌شده قادر به درک پیچیدگی اثرات هم‌افزایی شرایط محیطی نیستند. در این راستا، استفاده از مدل‌های هوش مصنوعی به‌ویژه یادگیری ماشین (ml) در سال‌های اخیر موردتوجه قرارگرفته است. این مقاله به بررسی کاربرد الگوریتم‌های مختلف یادگیری ماشین در پیش‌بینی عمر کامپوزیت‌های پلیمری در شرایط رطوبتی گرمایی می‌پردازد. مطالعات مختلف نشان می‌دهند که الگوریتم‌های مختلف هوش مصنوعی توانسته‌اند پیش‌بینی‌های دقیقی از کاهش خواص مکانیکی کامپوزیت تحت شرایط مختلف محیطی ارائه دهند. همچنین تحلیل حساسیت ورودی‌ها در مدل‌های مختلف، اهمیت بیشتر عواملی مانند زمان قرارگیری، دما، مقدارph  و حجم الیاف را در کاهش خواص مکانیکی نشان داده است. باوجود پیشرفت‌های صورت‌گرفته، محدودیت‌هایی چون کمبود داده‌های میدانی و تفاوت عملکرد مدل‌ها به‌عنوان چالش‌هایی جدی در مسیر پیش‌بینی دقیق عمر مفید کامپوزیت‌ها محسوب می‌شوند. 

application of machine learning in predicting the durabity of marine composites

fiber-reinforced polymer (frp) composites are widely used in marine structures due to their high strength-to-weight ratio and good corrosion resistance. however, long-term exposure to humid and thermal environmental conditions can lead to a reduction in the mechanical properties of these materials. traditional durability prediction models, such as the arrhenius and fick models, despite their widespread use, are limited in capturing the complex synergistic effects of environmental conditions due to their simplified assumptions. in this regard, the use of artificial intelligence models, especially machine learning (ml), has gained attention in recent years. this article examines the application of various machine learning algorithms in predicting the lifespan of polymer composites under humid and thermal conditions. various studies have shown that different ai algorithms can accurately predict the degradation of mechanical properties in composites under various environmental conditions. furthermore, input sensitivity analyses in different models have highlighted the greater importance of factors such as exposure time, temperature, ph level, and fiber volume in the degradation of mechanical properties. despite the progress made, challenges such as the lack of field data and differences in model performance remain significant obstacles to accurately predicting the service life of composites.