پیش‌بینی خواص کامپاند‌های پلیمری با هوش مصنوعی

خدمت ارائه شده:

توسعه مدل‌های هوش مصنوعی برای پیش‌بینی خواص مکانیکی مواد

مشتری/همکار:

شرکت اندیشه سازان سبز نگار

چالش اصلی :

زمان‌بر بودن فریند آزمون و خطا برای یافتن فرمولاسیون بهینه کامپاند و بالا بودن هزینه‌های تحقیق و توسعه

نتیجه اصلی :

کاهش زمان تحقیق و توسعه و افزایش دقت در طراحی فرمولاسیون‌های جدید

چالش: سرعت در تولید، کندی در یافتن فرمولاسیون بهینه

 در صنعت کامپاندینگ پلیمری، طراحی یک محصول جدید نیازمند آزمون و خطاهای متعدد در آزمایشگاه است. این فرآیند سنتی با چالش‌های مهمی روبرو است:

• هزینه‌های بالا: هر آزمون آزمایشگاهی نیازمند مواد اولیه و زمان تیم متخصص است که هزینه‌های قابل توجهی به همراه دارد.
• زمان‌بر بودن: یافتن فرمولاسیون بهینه می‌تواند هفته‌ها یا حتی ماه‌ها طول بکشد.
• وابستگی به تجربه: فرآیند به شدت به دانش و تجربه مهندسین متکی است که همیشه بهینه‌ترین راه حل را تضمین نمی‌کند.
• فرصت‌های از دست رفته: عدم توانایی در بررسی سریع و همزمان هزاران فرمولاسیون ممکن، فرصت‌های نوآوری را از بین می‌برد.

با درک عمیق از چالش‌های صنعت، راه‌حلی مبتنی بر داده و هوش مصنوعی را برای بهینه‌سازی فرآیند طراحی فرمولاسیون ارائه دادیم. راه‌حل ما شامل مراحل کلیدی زیر بود:

• تحلیل و جمع‌آوری داده‌ها: با همکاری تیم‌های تحقیق و توسعه و استفاده از مقالات علمی معتبر، داده‌های دقیق از ترکیب مواد اولیه و خواص نهایی کامپاند جمع‌آوری شد.
• طراحی مدل داده: یک مدل داده قدرتمند برای تبدیل داده‌های خام به اطلاعات معنی‌دار و قابل تحلیل طراحی شد.
• توسعه مدل‌های پیش‌بینی سفارشی: دو مدل رگرسیون برای پیش‌بینی خواص استحکام کششی و مقاومت ضربه بر اساس ترکیبات ورودی، توسعه یافت.
• توسعه رابط کاربری تعاملی: یک رابط کاربری ساده و کاربرپسند با استفاده از Streamlit ساخته شد تا مهندسان بتوانند به راحتی با مدل‌ها تعامل کرده و نتایج را مشاهده کنند.

منابع داده و دقت مدل

مدل‌های پیش‌بینی این پروژه با استفاده از داده‌های معتبر علمی از مقالات معتبر ایرانی و بین‌المللی آموزش دیده‌اند. این دیتاست شامل 141 نقطه داده است که روابط پیچیده بین ترکیبات مواد و خواص نهایی محصول را در خود دارد.

دقت مدل: مدل‌های توسعه یافته برای پیش‌بینی خواص، در تست‌های ارزیابی با R² Score بالاتر از ۰.85 عمل می‌کنند. این نشان‌دهنده توانایی بالای مدل در پیش‌بینی دقیق خواص محصول است.

نتایج و دستاوردها: پیاده‌سازی این راه‌حل، تحولی چشمگیر در فرآیند طراحی فرمولاسیون ایجاد کرد

نتایج ملموس و قابل اندازه‌گیری عبارتند از:

• کاهش چشمگیر زمان تحقیق و توسعه: با توانایی پیش‌بینی سریع خواص، زمان لازم برای یافتن فرمولاسیون‌های مناسب از هفته‌ها به چند ساعت کاهش یافت.
• کاهش هزینه‌ها: با کاهش تعداد آزمون‌های فیزیکی در آزمایشگاه، هزینه‌های تحقیق و توسعه به طور قابل توجهی پایین آمد.
• افزایش نوآوری: این ابزار به مهندسان اجازه می‌دهد تا به سرعت فرمولاسیون‌های جدید را بررسی کنند و به نوآوری در تولید کمک می‌کند.
• تصمیم‌گیری مبتنی بر داده: مدیران اکنون می‌توانند تصمیمات بهینه‌تری را بر اساس پیش‌بینی‌های دقیق و قابل اعتماد بگیرند.