Thermodynamics behavior prediction of nickel alloys at elevated temperatures with artificial intelligence
Yapay zeka ile yüksek sıcaklıkta nikel alaşımları için termodinamik davranışın tahmini
- Tez No: 988370
- Danışmanlar: DR. ÖĞR. ÜYESİ IRMAK SARGIN
- Tez Türü: Yüksek Lisans
- Konular: Metalurji Mühendisliği, Metallurgical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenimi algoritmalarının CALPHAD (Faz Diyagramlarının Hesaplanması) ile birlikte kullanılması, alaşımların faz davranışını tahmin etme verimliliğini ve doğruluğunu önemli ölçüde artırma potansiyeline sahiptir. CALPHAD, alaşımlardaki sıcaklık-bileşim ilişkilerinin grafiksel temsilleri olan faz diyagramlarını hesaplamak için termodinamik modellerin kullanımını içerir. Makine öğrenimi algoritmalarının dahil edilmesiyle, büyük veri kümeleri analiz edilebilir ve alaşımların faz davranışı daha doğru ve verimli bir şekilde tahmin edilebilir. Bu algoritmalar ayrıca ilgili giriş parametrelerinin seçimini otomatikleştirerek manuel giriş ihtiyacını azaltabilir ve hesaplama hızını artırabilir. Makine öğreniminin CALPHAD hesaplamalarına dahil edilmesinin çeşitli endüstrilerde çok sayıda uygulaması vardır ve malzeme tasarımı ve optimizasyonunu geliştirebilir. Bu tezde, bu iki yaklaşım (CALPHAD ve makine öğrenimi), yüksek verimli termodinamik hesaplamaları hızlandırırken aynı zamanda tahmin belirsizliğinin ölçülebilir bir ölçüsünü sağlayan bir çerçeve oluşturmak için birleştirilmiştir. Özellikle, Yapay Sinir Ağları'ndan (YSA) türetilen yapısal bilgiler kullanılarak bir Bayes Sinir Ağı (BNN) geliştirilmiştir. Bu hibrit strateji, yalnızca daha hızlı tahminlere değil, aynı zamanda modelin daha az güvenilir olduğu bileşim-sıcaklık uzayındaki bölgelerin belirlenmesine de olanak tanır. Bir vaka çalışması olarak, metodoloji, yüksek sıcaklık havacılık uygulamaları için kritik öneme sahip nikel bazlı süper alaşımlara uygulanmıştır. Sonuçlar, makine öğreniminin CALPHAD ile entegre edilmesinin hem hesaplama verimliliğini artırabileceğini hem de yüksek belirsizlik bölgelerinde hedefli veri üretimini yönlendirerek alaşım tasarımını ve optimizasyonunu nasıl iyileştirebileceğini göstermektedir.
Özet (Çeviri)
The use of machine learning algorithms together with CALPHAD (CALculation of PHAse Diagrams) has the potential to significantly improve the efficiency and accuracy of predicting the phase behavior of alloys. CALPHAD involves the use of thermodynamic models to calculate phase diagrams, which are graphical representations of the temperature–composition relationships in alloys. By incorporating machine learning algorithms, large datasets can be analyzed, and the phase behavior of alloys can be predicted more accurately and efficiently. These algorithms can also automate the selection of relevant input parameters, reducing the need for manual input and improving computational speed. The incorporation of machine learning in CALPHAD calculations has numerous applications in various industries and can enhance materials design and optimization. In this thesis, these two approaches (CALPHAD and machine learning) are combined to create a framework that accelerates high-throughput thermodynamic calculations while also providing a quantifiable measure of predictive uncertainty. Specifically, a Bayesian Neural Network (BNN) is developed using structural information derived from Artificial Neural Networks (ANNs). This hybrid strategy allows not only faster predictions but also identification of regions in composition–temperature space where the model is less confident. As a case study, the methodology is applied to nickel-based superalloys, which are critical for high-temperature aerospace applications. The results demonstrate how integrating machine learning with CALPHAD can both improve computational efficiency and guide targeted data generation in regions of high uncertainty, thereby enhancing alloy design and optimization.
Benzer Tezler
- Termal bariyer kaplamalı gaz türbin kanatlarının dinamik şartlarda sıcaklık dağılımının incelenmesi
Investigation and experimental investigation of characteristic behavior of thermal barrier coated surfaces in dynamic conditions
MURAT CİHAN ÇALIŞKAN
Doktora
Türkçe
2025
Makine MühendisliğiSakarya ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜNAL UYSAL
- Experimental physical modeling of hydrodynamics of a fixed owc with development of analytical and numerical models
Sabit salınımlı su sütunu dalga enerji dönüştürücü hidrodinamiğinin deneysel analitik ve nümerik olarak modellenmesi
ANIL ÇELİK
Doktora
İngilizce
2019
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiKıyı Bilimleri Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products
Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi
NAHİT ÇATMADIM
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN
- Ağır metallerin hidroksit çöktürmesi üzerinde iyonik gücün etkisi
The effect of ionic strength on hydroxide precipitation of heavy metals
ZUHAL ÖZTÜRK
- Prediction of the kinematic viscosity of petroleum fractions
Petrol fraksiyonlarının kinematik viskozitesinin tahmini
HAWA AHMED ALI AHMED
Yüksek Lisans
İngilizce
2018
Kimya MühendisliğiAtılım ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. HAKAN KAYI
Prof. Dr. ERDOĞAN ALPER