فهرست نشریات علمی دسترسی آزاد ایران

انتخاب روش مناسب آزمون غیرمخرب (NDT) برای بازرسی جوش، نقش مهمی در ارتقاء کیفیت فرایند بازرسی، کاهش خطاهای انسانی و بهینه‌سازی هزینه‌های عملیاتی در صنایع مختلف از جمله انرژی، حمل‌ونقل، خودروسازی، هوافضا و نفت و گاز دارد. در این پژوهش، با بهره‌گیری از رویکرد یادگیری ماشین که یکی از اجزاء هوش مصنوعی است، یک مدل ترکیبی داده‌محور و طبقه‌بندی طراحی شده است که توانایی پیش‌بینی روش بهینه آزمون غیرمخرب (NDT) را برای هر نمونه جوش، بر اساس مجموعه‌ای از ویژگی‌های فنی نظیر نوع جوش، ضخامت، جنس فلز پایه، ساختار قطعه و میزان دسترسی به ناحیه جوش دارد. برای طراحی این مدل، تعداد ۵۰۰ رکورد داده معتبر شامل نتایج آزمون‌های رایج مانند UT، MT، RT، PT و ET گردآوری شده و پس از انجام مراحل پیش‌پردازش، از جمله بررسی داده‌های گمشده، نرمال‌سازی و کدگذاری متغیرهای طبقه‌ای، از الگوریتم‌های متنوع شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه (KNN) و XGBoost در محیط برنامه‌نویسی Python برای مدل‌سازی استفاده شد. فرایند ارزیابی مدل‌ها با بهره‌گیری از تکنیک اعتبارسنجی متقابل ۱۰ لایه‌ای (10-fold cross-validation) و تنظیم بهینه فراپارامترها از طریق روش جستجوی شبکه‌ای (GridSearchCV) انجام گرفت. نتایج نشان داد مدل XGBoost با دقت ۹۰ درصد و میانگین شاخص‌های صحت، پوشش و امتیاز F1 بالاتر از سایر مدل‌ها، عملکرد قابل توجهی داشته و در برخی موارد، حتی از پیش‌بینی‌های کارشناسان انسانی نیز دقیق‌تر عمل کرده است. همچنین، خروجی مدل با استانداردهای صنعتی نظیر ASME Section V و ASTM E-Series در زمینه بازرسی جوش کاملاً هم‌راستا بوده و دارای اعتبار و کاربردپذیری عملی بالایی است.