برای درک جامع‌تر و ارزیابیآلومینیوم فومیعملکرد. محققان شاخص‌های توصیف مختلفی را معرفی کرده‌اند. با این حال، درک فعلی از اهمیت این شاخص‌ها در تجزیه و تحلیل عملکرد فوم آلومینیوم محدود است. این مطالعه از روش شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) برای ایجاد مدلی استفاده می‌کند که داده‌های توصیف ریزساختار فوم آلومینیوم را با خواص مکانیکی آن مرتبط می‌کند. محققان از طریق مدل CRNN، چهار مورد از مهم‌ترین ویژگی‌ها و مقادیر وزنی مربوط به آنها را از 13 ویژگی منافذ فوم آلومینیوم استخراج کردند. متعاقباً، یک فرمول توصیف جدید به نام "تخلخل معادل وانگ" (WEP) با استفاده از وزن‌های باقیمانده اختصاص داده شده به وزن‌های ویژگی توسعه داده شد و چهار ضریب پارامتر به دست آمد. هدف این فرمول نشان دادن رابطه بین ویژگی‌های ریزساختاری فوم آلومینیوم و عملکرد مکانیکی آن است. علاوه بر این، محققان با استفاده از داده‌های فشرده‌سازی از 11 مجموعه، تأیید مدل را انجام دادند.فوم آلومینیومنتایج اعتبارسنجی نشان داد که در میان این 11 مجموعه داده فوم آلومینیومی، فرمول گیبسون-اشبی در دو مورد نتایج غیرعادی ارائه داد، در حالی که WEP پایداری استثنایی بدون هیچ ناهنجاری نشان داد. در مقایسه با فرمول گیبسون-اشبی، WEP بهبود 18.18 درصدی در دقت ارزیابی را نشان داد.

فوم آلومینیوم، که از فلز آلومینیوم یا آلیاژهای آن تشکیل شده است، با ماهیت متخلخل، حفره‌های متعدد و ساختار لانه زنبوری خود مشخص می‌شود. توسعه روش‌های ارزیابی عملکرد دقیق و جامع برای افزایش استفاده از فوم آلومینیوم ضروری است.

فرمول گیبسون-اشبی و فرمول هانسن که توسط گیبسون و اشبی معرفی شدند، به عنوان معادلات سنتی برای توصیف ویژگی‌های مکانیکی مواد متخلخل اهمیت دارند. با این وجود،فوم آلومینیومریزساختارهای متنوعی را نشان می‌دهد و تحت تأثیر عوامل ساختاری مختلفی مانند تخلخل، اندازه منافذ و توزیع منافذ قرار می‌گیرد. اکثر این روابط ساختاری مرسوم، مدل‌های پدیدارشناختی ماکروسکوپی هستند که تأثیر ساختارهای منافذ را در نظر نمی‌گیرند. علاوه بر این، آلومینیوم فومی ممکن است در سناریوهای کاربردی مختلف، الزامات عملکردی متمایزی داشته باشد. در نتیجه، روش‌های ارزیابی باید متناسب با الزامات کاربردی خاص تنظیم شوند. علاوه بر این، حوزه آلومینیوم فومی فاقد روش‌های آزمایش استاندارد و پارامترهای عملکردی است که منجر به چالش‌هایی در اعتبارسنجی یافته‌ها در مطالعات مقایسه‌ای مختلف می‌شود. به طور خلاصه، روش‌های سنتی در ایجاد همبستگی بین ویژگی‌های ریزساختاری آلومینیوم فومی و ویژگی‌های مکانیکی آن یا مدل‌سازی و پیش‌بینی دقیق خواص مکانیکی آلومینیوم فومی در فضای پارامتری شکست می‌خورند. تکیه صرف بر دیدگاه ماکروسکوپی برای ارزیابی خواص مکانیکی آلومینیوم فومی دیگر پاسخگوی نیازهای طراحی عملکردی معاصر نیست. ایجاد یک رابطه نگاشت بینآلومینیوم فومیپارامترهای ساختاری و ویژگی‌های مکانیکی آن یک موضوع مهم و محوری است.

در این مطالعه، یک پارامتر توصیف جدید به نام تخلخل معادل پیشنهاد شد تا رابطه بین ویژگی‌های ریزساختاری و عملکرد فوم آلومینیوم را نشان دهد. این پارامتر از توزیع وزنی ویژگی‌هایی مانند تخلخل، اندازه متوسط ​​منافذ و دایره‌ای بودن فوم آلومینیوم استخراج شده است. از طریق تأیید تجربی روی نمونه‌های فوم آلومینیوم، نشان داده شده است که تخلخل معادل، به عنوان یک پارامتر توصیف جدید، بازتاب دقیق‌تری از عملکرد فوم آلومینیوم ارائه می‌دهد.

در این مطالعه، ما با ترکیب علم مواد با یادگیری ماشین، یک رویکرد میان‌رشته‌ای را اتخاذ می‌کنیم. تکنیک‌های یادگیری ماشین، مانند انتخاب ویژگی، تحلیل وزن ویژگی و تخصیص وزن باقیمانده، برای ایجاد فرمولی برای تخلخل معادل ادغام می‌شوند. ما دقت تخلخل معادل را به عنوان یک پارامتر جدید توصیف از طریق اعتبارسنجی پنج مجموعه نمونه نشان داده‌ایم که بازتاب دقیقی از عملکرد آلومینیوم فومی ارائه می‌دهد. ما روشی دقیق‌تر برای ارزیابی و تجزیه و تحلیل خواص مکانیکی مواد ارائه می‌دهیم و منابع ارزشمندی را برای تصمیم‌گیری و تجزیه و تحلیل ارائه می‌دهیم. این تحقیق با ادغام تحقیقات مواد مبتنی بر داده با مطالعه آلومینیوم فومی، با پیشرفت‌های سریع در فناوری‌های کلان داده و هوش مصنوعی همسو است. ما الگوها و روش‌های جدیدی را معرفی می‌کنیم که دیدگاه تازه‌ای در مورد توصیف و تجزیه و تحلیل عملکرد آلومینیوم فومی ارائه می‌دهد.