طراحی رایانشی و هوشمند مواد

مشخصات دوره

نام درس

• به فارسی: طراحی رایانشی و هوشمند مواد
• به انگلیسی: Computational and Intelligent Material Design

نام‌های دیگر

• طراحی رایانشی مواد، طراحی وارون مواد
• Computational Material Design, Material Inverse Design

رشتۀ هدف، گرایش، نوع و واحد درس

• کارشناسی: مهندسی مواد، مهندسی شیمی، مهندسی مکانیک، مهندسی عمران
• تحصیلات تکمیلی: مهندسی مواد، مهندسی شیمی
• اختصاصی: 3 واحد
• مقطع: کارشناسی و کارشناسی ارشد

پیش‌نیازها

• دوره درس پیش‌نیاز خاصی ندارد. آشنایی مقدماتی با کامپیوتر و علم مواد مزیت محسوب می‌گردد.
• مطالب پیش‌نیاز: آشنایی مقدماتی با کامپیوتر، آشنایی مقدماتی با علوم مهندسی مواد و شیمی

توضیح کوتاه دوره

این دوره شرکت‌کنندگان را با فناوری استفاده از هوش مصنوعی برای مطالعه و مهندسی مواد آشنا می‌سازد.
چالش اصلی در مهندسی مواد، هزینه و زمان بسیار بالا برای ساخت و آزمایش مواد جدید است. استفاده از فنون مبتنی بر هوش مصنوعی، به ویژه یادگیری ماشین، امکان جست‌وجو در فضای وسیعی از ترکیبات و فرایندهای مختلف برای رسیدن به ماده بهینه را فراهم می‌کند. بدین ترتیب، زمان و هزینه‌های آزمایشگاهی پژوهش و کار در زمینه ساخت مواد جدید به‌شکل معناداری کاهش می‌یابد. این دوره توسط پژوهشگران پیشگام در مهندسی مواد هوشمند در ایران برگزار شده و به افرادی که علاقه‌مند به پژوهش و کار صنعتی در زمینه طراحی مواد پیشرفته هستند توصیه می‌شود. دانش‌پذیران و دانش‌پژوهان طی این دوره با برنامه‌نویسی پایتون، استخراج و پیش‌پردازش مجموعه داده‌های مهندسی مواد، تحلیل آماری، مصورسازی داده‌های مهندسی مواد، یادگیری ماشین، بهینه‌سازی تکاملی، طراحی وارون مواد و پساتحلیل و تفسیر مدل‌های محاسباتی هوشمند در مهندسی مواد آشنا می‌شوند.

اهداف و نتایج دوره

• آشنایی با برنامه‌نویسی پایتون، یادگیری ماشینی و بهینه‌سازی تکاملی
• یادگیری ایجاد، پیش‌پردازش و تحلیل مجموعه داده‌های علم مواد
• طراحی و ساخت مدل‌های یادگیری ماشین برای پیش‌بینی خواص مواد
• آشنایی با طراحی وارون و داده‌ران مواد
• تقویت رویکردهای تفکر محاسباتی، تفکر داده‌ای، تفکر انتزاعی و تفکر محاسباتی وارون برای حل مسائل پیچیده
• آشنایی با مجلات و کنفرانس‌های معتبر مهندسی مواد هوشمند

مخاطبین

• دانشجویان مهندسی و علم مواد
• مهندسین مواد شرکت‌های صنعتی
• متقاضیان کار در صنعت مهندسی مواد
• علاقه‌مندان به پژوهش در مهندسی و علم مواد و رشته‌های مرتبط (مانند نانو، مهندسی شیمی، مهندسی مکانیک و مهندسی عمران)

سطح دوره

متوسط و پیشرفته

طول و زمان‌بندی دوره

• مدت زمان: 2 ماه (8 هفته)
• ساختار: 6 هفته کلاس (27 ساعت، 18 جلسه) + 1 هفته جبرانی + 1 هفته ارزیابی

شیوه برگزاری

کلاس مجازی، آزمون و تحویل تمرین‌های حضوری (جهت اخذ مدرک معتبر گذراندن دوره)

---

سرفصل‌ها و مباحث

بخش اول: مقدمات علم داده

1. مقدّمات پایتون (1 جلسه)

   • محیط‌های توسعه مجتمع
   • محیط‌های توسعه تعاملی
   • کتابخانه‌ها و مدیریت وابستگی‌ها
   • کنترل نسخه و پروژه

2. برنامه‌نویسی ساخت‌یافته در پایتون (1 جلسه)

   • ورودی و خروجی
   • ساختارهای ترتیب، تصمیم و تکرار
   • توابع، پیمانه و بسته‌ها

3. داده‌ساختارها و الگوریتم‌های پایه در پایتون (1 جلسه)

   • رشته، لیست، چندتایی، واژه‌نامه، پرونده
   • پیمایش، جست‌وجو و مرتب‌سازی

4. برنامه‌سازی شی‌گرا در پایتون (1 جلسه)

   • کلاس، شیء، ویژگی، متد، سازنده
   • پنهان‌سازی، وراثت و سربارگذاری عملگر

5. محاسبات علمی، آماری و عددی در پایتون (1 جلسه)

   • آشنایی با کتابخانه‌های NumPy و SciPy
   • آماره‌ها و آزمون‌های آماری، تحلیل p-value

6. پردازش داده‌های جدولی و گرافی در پایتون (1 جلسه)

   • آشنایی با کتابخانه‌های Pandas و NetworkX
   • سر‌ی‌ها، قاب داده‌ها، عملیات melt و pivot

7. مصورسازی داده‌ها و ترسیم نمودارها (1 جلسه)

   • آشنایی با کتابخانه‌های Matplotlib و Seaborn
   • نمودارهای چندگانه، مصورسازی سه‌بعدی

8. یادگیری ماشین با پایتون (1 جلسه)

   • معرفی کتابخانه‌های Scikit-learn
   • رده‌بندی و رگرسیون (مدل‌های درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی، بیزی)

9. پیش‌پردازش مجموعه داده‌ها (1 جلسه)

   • آشنایی با کتابخانه‌های pyod و imbalanced-learn
   • استانداردسازی و نرمال‌سازی داده‌ها
   • تعادل‌بخشی، نمونه‌برداری و حذف داده‌های پرت

10. انتخاب مدل (1 جلسه)

    • متریک‌های ارزیابی رگرسیون و رده‌بندی، ماتریس سردرگمی
    • انتخاب ویژگی و کاهش ابعاد
    • اعتبارسنجی متقابل، جست‌وجو و تنظیم اَبَرپارامترها

11. پردازش ژرف تصاویر (1 جلسه)

    • آشنایی با کتابخانه‌های Keras و Tensorflow
    • شبکه‌های عصبی پیچشی

12. بهینه‌سازی (1 جلسه)

    • معرفی کتابخانه Pymoo
    • الگوریتم‌های بهینه‌سازی اکتشافی و فرااکتشافی
    • بهینه‌سازی چند هدفه (الگوریتم‌های NSGA-II و NSGA-III)
    • آشنایی با ابزار طراحی وارون شیشه‌های تعویض یونی (IDMO.G)

---

بخش دوم: کاربردهای علم داده در مهندسی و علم مواد

1. پیش‌بینی خواص فیزیکی و مکانیکی مواد (1 جلسه)

   • آشنایی با ابزار پیش‌بینی عمق نفوذ در شیشه‌های تعویض یونی شده (DOLPA)
   • پیش‌بینی عمق نفوذ و تنش فشاری در شیشه‌های تعویض یونی شده
   • پیش‌بینی استحکام و شکست آلیاژهای فولادی
   • پیش‌بینی دانسته قطعات تولید شده به روش ساخت افزایشی

2. ساخت مجموعه داده‌ها در علم مواد (1 جلسه)

   • استخراج داده‌های علمی از منابع معتبر
   • آشنایی با انواع مجموعه داده‌ها در علم مواد (متنی، دارای ساختار و بدون ساختار، تصویری)
   • نرم‌افزارهای عددی‌سازی نمودارها
   • کاربرد مدل‌های زبانی بزرگ (LLM) در استخراج و مدیریت داده‌های علم مواد

3. پساتحلیل مدل‌های پیش‌بینی خواص مواد (1 جلسه)

   • آشنایی با کتابخانه SHAP
   • اهمیت ویژگی، اهمیت جایگشت، اهمیت SHAP
   • بررسی همبستگی پیرسون و مقدار p

4. طراحی وارون (1 جلسه)

   • اصول طراحی وارون شیشه‌های تعویض یونی
   • طراحی وارون با چندین هدف
   • محدودیت‌های فیزیکی و ریاضیاتی در طراحی وارون

5. پردازش سیگنال و تصاویر آزمایشگاهی علم مواد (1 جلسه)

   • آشنایی با کتابخانه RamanSPy
   • طیف‌سنجی رامان
   • پردازش تصاویر SEM

6. مباحث پیشرفته و تکمیلی (1 جلسه)

   • شبکه‌های عصبی فیزیک‌آگاه برای پیش‌بینی خواص مواد
   • مدل‌های زبانی بزرگ برای طراحی وارون مواد
   • مسائل باز پژوهشی در مهندسی مواد
   • معرفی مجلات و کنفرانس‌های معتبر مهندسی مواد هوشمند

---

نرم‌افزارها و ابزارهای مورد بحث

• Python, Pycharm, Colab, Git,
• SciPy, NumPy,
• Pandas, NetworkX,
• Matplotlib, Seaborn,
• Scikit-learn, imbalanced-learn, pyod,
• Tensorflow, Keras,
• Pymoo,
• RamanSPy,
• Getdata, Copilot,
• DOLPA, IDMO.G

---

تکالیف پیشنهادی و نمره‌دهی

• تعداد تکالیف پیشنهادی: 5 عدد

آیتم	درصد وزنی نمره	توضیحات
تکالیف تئوری	20%	دو تمرین تئوری
تکالیف عملی	30%	سه تمرین عملی
آزمون‌(ها)	50%	آزمون پایان ترم

---

منابع و مراجع

کتب مرجع

• کتب مرجع اصلی:
• کتب مرجع تکمیلی:

مقالات مرجع

1. Ghaffari, O. B., Yekta, B. E., & Zakeri-Nasrabadi, M. (2024). Estimating “depth of layer” (DOL) in ion-exchanged glasses using explainable machine learning. Materialia, 33, 102027.
2. Ghaffari, O. B., Yekta, B. E., & Zakeri-Nasrabadi, M. (2024). Designing high-performance ion-exchangeable glasses with multi-objective optimization and machine learning. Ceramics International, 50(21), 42949-42962.
3. [مرجع یا مقاله تکمیلی در صورت وجود]

وب‌سایت‌های مرتبط

1. https://github.com/m-zakeri/DOLPA
2. https://www.m-zakeri.ir/IDMO.G/

---

اطلاعات تکمیلی

• مدرسین:

  • دکتر مرتضی ذاکری
  • دکتر امید بناپور غفاری

• تهیه‌کننده: مرتضی ذاکری

• نگارش: 4.0
• آخرین بروزرسانی: 21/ 01/ 1404

کسب اطلاعات بیشتر و سفارش دوره