Koneälyn käyttö materiaalitekniikassa

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Insinööritieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-04-21

Department

Major/Subject

Kone- ja rakennustekniikka

Mcode

ENG3043

Degree programme

Insinööritieteiden kandidaattiohjelma

Language

fi

Pages

33

Series

Abstract

Korkean entropian metalliseokset ovat herättäneet laajaa kiinnostusta viime vuosina niiden potentiaalin vuoksi materiaalitekniikan sovelluksissa. Näiden seosten ainutlaatuiset mekaaniset ja termodynaamiset ominaisuudet tarjoavat mahdollisuuden kehittää kestävämpiä ja tehokkaampia materiaaleja erilaisiin teknologisiin sovelluksiin. Kuitenkin näiden monimutkaisten materiaalien suunnitteluun liittyy haasteita, joita perinteiset menetelmät eivät pysty ratkaisemaan tehokkaasti. Siksi koneälyn käyttö materiaalien suunnittelussa on noussut esiin lupaavana lähestymistapana, jonka avulla voidaan käsitellä suurta datamäärää ja tunnistaa monimutkaisia rakenteita ja yhteyksiä, joita perinteiset menetelmät eivät pysty havaitsemaan. Tämän työn tavoitteena oli tutkia koneälyn, erityisesti syväoppimisen, soveltuvuutta materiaalitekniikan haasteisiin. Syväoppimisen soveltuvuutta tarkasteltiin monesta näkökulmasta. Työssä käytiin läpi korkean entropian metalliseosten faasinmuodostumisen, mikrorakenteen ja ominaisuuksien ennustaminen, sekä käänteinen materiaalin suunnittelu. Tutkimuksen päätulokset osoittivat, että syväoppiminen tarjoaa tehokkaan tavan ennustaa korkean entropian metalliseosten faasimuodostumisia, mikrorakenteita ja mekaanisia ominaisuuksia. Syvien neuroverkkojen kyky käsitellä suuria datamääriä ja löytää monimutkaisia yhteyksiä datan sisällä osoittautui lupaavaksi. Lisäksi generatiivisten mallien käytön todettiin mahdollistavan uusien materiaalien nopeamman kehittämisen ja kustannustehokkaamman suunnitteluprosessin.

Description

Supervisor

Viitala, Raine

Thesis advisor

Virkkunen, Iikka

Keywords

korkean entropian metalliseos, tekoäly, koneoppiminen, syväoppiminen

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202406254913

Collections

[kand] Insinööritieteiden korkeakoulu / ENG