نگرشی بر کاربرد ماشین لرنینگ در زمینه خوردگی فلزات

در این مقاله به اهمیت و جایگاه ماشین لرنینگ (machine learning) و به پتانسیل بالای استفاده از آن در علم مواد اشاره شده و سپس به بررسی برخی مقالات در این حوزه به خصوص علم خوردگی مواد پرداخته شده است. علم داده وماشین لرنینگ به عنوان چهارمین دوره زمانی از دوره های رشد و تحول زندگی انسانی بشمار می رود که در سراسر زندگی کنونی انسان وجود دارد. ماشین لرنینگ را می توان آموزش و یادگیری ماشین با مرور تجربه خود ماشین و بدون کد گذاری سخت آن عنوان کرد. الگوریتم های متفاوتی از جمله ماشین بردار پشتیبان(support vector machine)، درخت تصمیم(decision tree)، جنگل تصادفی(random forest) و... در حوزه مواد براساس ویژگی داده ها بکار می روند. استفاده از ماشین لرنینگ شامل یک چرخه از فهم مسئله، درک داده، آماده سازی داده، مدل سازی و ارزیابی و استقرار می باشد. الگوریتم های ماشین لرنینگ در فرایند های استخراجی فلزات و پیش بینی مقادیر خوردگی و ساختار مواد و سایر بخش های مهندسی مواد روز به روز در حال گسترش و کاربردی شدن هستند.