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

امروزه آلیاژهای آنتروپی بالا یکی از حوزه های محبوب برای محققان می باشند که عملکرد آنها با استفاده از یادگیری ماشین بهبود یافته اند. آلیاژهای آنتروپی بالا از حداقل پنج عنصر اصلی با اندازه های نزدیک به هم تشکیل شده اند که ویژگی های آنها به اندازه و انواع عناصر بستگی دارد تا خواص فیزیکی و مکانیکی را بهبود دهند. رویکرد یادگیری ماشین در زمینه های مختلف کاربردهای فراوانی دارد. تحلیل شبکه های اجتماعی یکی از ابزارهای یادگیری ماشین است که از نظریه گراف استفاده می کند. هر گراف از تعدادی گره و یال تشکیل شده است که هر گره دارای ویژگی های خاص خود است. کارهایی که تاکنون انجام شده است از مجموعه داده آلیاژ آنتروپی بالا شبکه مبتنی بر میزان نزدیکی محتوایی و ساختاری ویژگی های هر ترکیب استفاده نکرده اند. در این مقاله، روشی نوین ارائه شده است که ابزار شبکه اجتماعی را به مهندسی متالوژی و مواد تعمیم می دهد. 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، گروه هایی از این آلیاژها استخراج شده است که هر گروه به نام خوشه دارای آلیاژهایی با خواص مشابه است. نتایج عملی بدست آمده، خوشه های با کیفیت بالایی را نشان می دهد که در پیش بینی عملکرد ترکیبات و کشف ترکیبات و ویژگی های جدید موثر خواهند بود. معیار پیمانگی که بیانگر کیفیت خوشه ها است حدود ۷۱۳/۰ بدست آمده است.

کلیدواژه ها:

Clustering ، Social network ، Community detection ، Machine learning ، High-entropy alloys ، خوشه بندی ، شبکه اجتماعی ، کشف جامعه ، یادگیری ماشین ، آلیاژهای آنتروپی بالا