پيش بيني سختي فولاد با استفاده از روش داده كاوي و مدل تركيبي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

صنعت فولاد، به‌عنوان يكي از اركان اصلي توليد صنعتي، نيازمند روش‌هاي دقيق براي پيش‌بيني ويژگي‌هاي مواد، مانند سختي، به‌منظور ارتقاي كيفيت محصولات و كاهش ضايعات است. اين پايان‌نامه با هدف توسعه چارچوبي كارآمد براي پيش‌بيني سختي فولاد با استفاده از تكنيك‌ داده‌كاوي و مدل هاي تركيبي، انجام شد. چالش‌هاي داده‌اي، شامل عدم تعادل شديد كلاس‌ها و 10% مقادير گمشده و محدوديت‌هاي محاسباتي، مانند زمان اجراي بالا، از موانع اصلي بودند. روش پيشنهادي، توسعه مدل طبقه بندي انباشته وزن دار بود كه تركيبي از پنج مدل پايه (MLP، جنگل تصادفي، اكس جي بوست، كت بوست، و تب نت) و متا-مدل يادگيري ماشين سبك تقويت گراديان با وزن‌دهي پويا (كت بوست: 0.35 ، اكس جي بوست: 0.3) را شامل مي‌شد. اين مدل به دقت 0.95، امتياز F1 0.76 براي كلاس U، و AUC 0.90 دست يافت، كه عملكردي برتر نسبت به مدل‌هاي تك‌پايه داشت. براي مديريت عدم تعادل كلاس‌ها، SMOTE تعداد نمونه‌ها را به 7500 افزايش داد و نرخ درست پيش‌بيني كلاس U را به 66.7% بهبود بخشيد. MICE براي پر كردن مقادير گمشده، تابع هزينه لگاريتمي را از 0.36 به 0.20 كاهش داد. SHAP تعداد ويژگي‌ها را از 162 به 12 كاهش داد و ويژگي‌هاي كليدي مانند ضخامت ورق فولاد (SHAP 0.092) و عرض ورق فولاد (SHAP 0.105) را شناسايي كرد، كه تفسيرپذيري مدل را ارتقا داد. نوآوري‌هاي تحقيق شامل مدل طبقه بندي انباشته وزن دار براي داده‌هاي نامتعادل، SHAP براي مهندسي ويژگي، و تركيب SMOTE و MICE براي مديريت داده‌هاي ناقص بود. اين دستاوردها شناسايي عيوب نادر را، كه براي كنترل كيفيت حياتي است، امكان‌پذير كردند.

236349

مديريت مهندسي

آموزش الكترونيكي

دانشگاه صنعتي اصفهان