يك رويكرد مبتني بر كشف جامعه در شبكه‌ هاي اجتماعي براي بهبود تحليل معادلات در علم مواد

امروزه آلياژهاي آنتروپي بالا يكي از حوزه‌هاي محبوب براي محققان مي‌باشند كه عملكرد آنها با استفاده از يادگيري ماشين بهبود يافته‌اند. آلياژهاي آنتروپي بالا از حداقل پنج عنصر اصلي با اندازه‌هاي نزديك به هم تشكيل شده‌اند كه ويژگي‌هاي آنها به اندازه و انواع عناصر بستگي دارد تا خواص فيزيكي و مكانيكي را بهبود دهند. رويكرد يادگيري ماشين در زمينه‌هاي مختلف كاربردهاي فراواني دارد. تحليل شبكه‌هاي اجتماعي يكي از ابزارهاي يادگيري ماشين است كه از نظريه گراف استفاده مي‌كند. هر گراف از تعدادي گره و يال تشكيل شده است كه هر گره داراي ويژگي‌هاي خاص خود است. كارهايي كه تاكنون انجام شده است از مجموعه داده آلياژ آنتروپي بالا شبكه مبتني بر ميزان نزديكي محتوايي و ساختاري ويژگي‌هاي هر تركيب استفاده نكرده‌اند. در اين مقاله، روشي نوين ارائه شده است كه ابزار شبكه اجتماعي را به مهندسي متالوژي و مواد تعميم مي‌دهد. روش پيشنهادي با استفاده از ابزار شبكه اجتماعي به بررسي خواص آلياژهاي آنتروپي بالا پرداخته است كه شباهت آلياژها محاسبه شده و بر اساس آن شبكه اجتماعي مواد ساخته شده است. با بكار بردن تكنيك الگوريتم لووين، گروه‌هايي از اين آلياژها استخراج شده است كه هر گروه به نام خوشه داراي آلياژهايي با خواص مشابه است. نتايج عملي بدست آمده، خوشه‌هاي با كيفيت بالايي را نشان مي‌دهد كه در پيش‌بيني عملكرد تركيبات و كشف تركيبات و ويژگي‌هاي جديد موثر خواهند بود. معيار پيمانگي كه بيانگر كيفيت خوشه‌ها است حدود 0/70 بدست آمده است كه در مقايسه با روش هاي موجود داراي كيفيت بالاتر است..