بهینه‌سازی ترکیب آلیاژها برای تولید فولاد با استحکام بالا با استفاده از الگوریتم‌های تکاملی و یادگیری ماشین (بهینه‌سازی فرآیند تولید فولاد)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه میبد، میبد، ایران

چکیده

در این پژوهش، یک رویکرد نوین برای حل مسئله پیچیده بهینه‌سازی ترکیب شیمیایی فولاد به‌منظور دستیابی به حداکثر استحکام تسلیم ارائه‌شده است. به دلیل ناکارآمدی روش‌های سنتی مبتنی بر آزمون‌وخطا، از یک رویکرد ترکیبی و دومرحله‌ای استفاده‌شده است. در مرحله اول، یک مدل یادگیری ماشین به نام جنگل تصادفی بر روی مجموعه داده‌های واقعی از ترکیبات فولادی آموزش داده‌شده است تا به‌عنوان یک تابع برازندگی دقیق برای پیش‌بینی استحکام عمل کند. در مرحله دوم، نُه الگوریتم تکاملی و فراابتکاری شامل الگوریتم ژنتیک، ازدحام ذرات، شبیه‌سازی تبرید، زنبورعسل، کرم شب‌تاب، جستجوی گرانشی، رقابت استعماری، بهینه‌سازی گرگ خاکستری و کلونی مورچگان برای یافتن ترکیب آلیاژی بهینه به کار گرفته‌شده‌اند. نتایج ۱۰ اجرای مستقل نشان داده است که الگوریتم ازدحام ذرات با کسب بهترین استحکام تسلیم برترین عملکرد را در یافتن ترکیب بهینه داشته است. الگوریتم‌های بهینه‌سازی گرگ خاکستری و رقابت استعماری نیز عملکرد بسیار نزدیکی به الگوریتم ازدحام ذرات از خود نشان داده‌اند. در مقابل، الگوریتم شبیه‌سازی تبرید با وجود سرعت بالا، به یک راه‌حل زیر بهینه همگرا شده است و الگوریتم کرم شب‌تاب نیز از نظر زمان اجرا بسیار ناکارآمد عمل کرده است. تحلیل نتایج بهترین ترکیب‌های به‌دست‌آمده نشان می‌دهد که برای حداکثر کردن استحکام تسلیم، فولاد باید حاوی درصد بالایی از عنصر کبالت و عناصر کاربیدساز قوی (مانند کروم و تنگستن) باشد، درحالی‌که درصد عناصر کلیدی مانند نیکل، کربن و وانادیوم می‌تواند بسیار پایین یا نزدیک به صفر باشد. این رویکرد، راهکاری کارآمد برای طراحی مواد با خواص مطلوب بدون نیاز به آزمایش‌ها تجربی گسترده را فراهم می‌آورد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Optimization of Alloy Composition for High-Strength Steel Production Using Evolutionary Algorithms and Machine Learning (Optimization of the Steel Manufacturing Process)

نویسنده [English]

  • Fatemeh Zare Mehrjardi
Assistant Professor, Faculty of Engineering, Department of Computer Engineering, Meybod University, Meybod, Iran
چکیده [English]

In this study, a novel approach is presented to solve the complex problem of optimizing the chemical composition of steel to achieve maximum yield strength. Due to the inefficiency of traditional trial-and-error methods, a hybrid, two-stage approach was employed. In the first stage, a machine learning model, namely Random Forest Regressor, was trained on a dataset of real steel compositions to serve as an accurate fitness function for predicting strength, and in the second stage, nine evolutionary and meta-heuristic algorithms were utilized to find the optimal alloy composition. These algorithms include Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Simulated Annealing (SA), Artificial Bee Colony (ABC), Firefly Algorithm (FA), Gravitational Search Algorithm (GSA), Imperialist Competitive Algorithm (ICA), Grey Wolf Optimizer (GWO), and Ant Colony Optimization (ACO). The results showed that the Imperialist Competitive Algorithm (ICA) outperformed the other algorithms, achieving the best yield strength with a value of 2468.68 MPa. The Particle Swarm Optimization (PSO) and Grey Wolf Optimizer (GWO) algorithms also showed very close performance to the Imperialist Competitive Algorithm. In contrast, the Simulated Annealing (SA) algorithm, despite its high speed, converged to a sub-optimal solution, and the Firefly Algorithm (FA) was highly inefficient in terms of execution time. An analysis of the best-obtained compositions reveals that to maximize yield strength, the steel should contain a high percentage of Nickel (Ni) and Cobalt (Co), while the percentage of elements such as Carbon (C) and Vanadium (V) can be very low or close to zero. This approach provides an efficient solution for designing materials with desired properties without the need for extensive experimental testing.

کلیدواژه‌ها [English]

  • Steel production
  • Evolutionary algorithm
  • Machine learning
  • Imperialist Competitive Algorithm (ICA)
  • Particle Swarm Optimization (PSO)
  • Grey Wolf Optimizer (GWO)

مراجع

[1]     W. D. Callister Jr, and D. G. Rethwisch, “Materials science and engineering: an introduction,” John wiley & sons, 2020.
[2]     Z. Hassani, and M. Khosravi, “Diagnosis of coronary heart disease using hybrid intelligent systems based on whale optimization algorithm, simulated annealing and support vector machine,” Engineering Management and Soft Computing, 6(2), 167–181, 2020.
[3]     Z. Zhu, Y. Liang, and J. Zou, “Modeling and composition design of low-alloy steel’s mechanical properties based on neural networks and genetic algorithms,” Materials, Vol. 13, No. 23, p. 5316, 2020.
[4]     C. Liu, X. Wang, W. Cai, J. Yang, and H. Su, “Optimal design of the austenitic stainless-steel composition based on machine learning and genetic algorithm,” Materials, Vol. 16, No. 16, p. 5633., 2023.
[5]     G. S. Dulikravich, and I. N. Egorov-Yegorov, “Robust optimization of concentrations of alloying elements in steel for maximum temperature, strength, time-to-rupture and minimum cost and weight,” ECCOMAS–Computational Methods for Coupled Problems in Science and Engineering, pp. 25-28, 2005.
[6]     M. Liu, P. Yan, P. Liu, J. Qiao, and Z. Yang,. “An improved particle-swarm-optimization algorithm for a prediction model of steel slab temperature,” Applied Sciences, Vol. 12, No. 22, p. 11550, 2022.
[7]     O. Babachenko, H. Kononenko, I. Snigura, and N. Togobytska, “Optimisation of chemical composition of high-strength structural steels for achieving mechanical property requirements,” 2021.
[8]     H. Lu, S. Behbahani, X. Ma, and T. Iseley, “A multi-objective optimizer-based model for predicting composite material properties,” Construction and Building Materials, Vol. 284, p. 122746, 2021.
[9]     Z. Che, C. Peng, “Improving support vector regression for predicting mechanical properties in low-alloy steel and comparative analysis,” Mathematics, Vol. 12, No. 8, p. 1153, 2024.
[10] R. Tapio, “Comparative Analysis of Multiple Linear Regression and Random Forest Regression in Predicting Academic Performance of Students in Higher Education,” Asian Research Journal of Mathematics, Vol. 21, No. 4, pp. 170-181, 2025.
[11] J. Z. Ahmadabadi, F. Z. Mehrjardi, M. Ghanbary, and M. Mirzaei, “Identification of Effective Factors and Prediction of Ischemic Heart Disease Using Machine Learning Methods and Data from the Yazd Health Study (YaHS),”  Journal of Shahid Sadoughi University of Medical Sciences, Vol. 32, No. 7, pp. 8067-8079, 2024.
[12] F. Z. Mehrjardi, and A. M. Latif, “Detection of copy-move forgery in digital images using genetic algorithm and simulating annealing algorithm," Vol. 2, No. 2, pp. 1-16, 2025.
[13] F. Z. Mehrjardi, A. M. Latif, and M. Sardari Zarchi, “An Optimal Hybrid Method to Detect Copy-move Forgery,” Journal of AI and Data Mining, Vol. 11, No. 3, pp. 429-442, 2023.
[14] J. Kennedy, and R. Eberhart, “Particle swarm optimization,” In Proceedings of ICNN'95-international conference on neural networks, Vol. 4, pp. 1942-1948, 1995.
[15] L. Abualigah, A. Sheikhan, A. M. Ikotun, R. A. Zitar, A. R. Alsoud, I. Al-Shourbaji, and H. Jia, “Particle swarm optimization algorithm: review and applications,” Metaheuristic optimization algorithms, p. 1-14, 2024.
[16] D. Karaboga, “An idea based on honey bee swarm for numerical optimization,” pp. 1-10, 2005.
[17] E. Tokgoz, “Artificial bee colony optimization techniques’ utilization for intrusion detection systems’ analysis,” In 2025 IEEE 4th International Conference on AI in Cybersecurity (ICAIC), p. 1-16, 2025.
[18] N. F. Johari, A. M. Zain, M. H. Noorfa, and A. Udin, “Firefly algorithm for optimization problem,” Applied Mechanics and Materials, Vol. 421, pp. 512-517, 2013.
[19] T. L. Le, “Firefly Algorithm-based Optimization of Control Parameters in DC Conversion Systems. Engineering,” Technology & Applied Science Research, Vol. 15, No. 2, p. 20588-20594, 2025.
[20] E. Rashedi, H. Nezamabadi-Pour, and S. Saryazdi, “GSA: a gravitational search algorithm,” Information sciences, Vol. 179, No. 13, pp. 2232-2248, 2009.
[21] I. T. Abbas, E. M. Abd, and M. J. A. Mohsen, “Using Gravitational Search Algorithm for Solving Nonlinear Regression Analysis,” Iraqi Journal of Science, 2025.
[22] E. Atashpaz-Gargari, and C. Lucas, “Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition,” In 2007 IEEE congress on evolutionary computation, pp. 4661-4667, 2007.
[23] K. Shirini, H. S. Aghdasi, and S. Saeedvand, “Modified imperialist competitive algorithm for aircraft landing scheduling problem,” Journal of Supercomputing, Vol. 80, No. 10, 2024.
[24] S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey wolf optimizer,” Advances in engineering software, Vol. 69, pp. 46-61, 2014.
[25] Y. Liu, A. As’ arry, M. K. Hassan, A. A. Hairuddin, and H. Mohamad, “Review of the grey wolf optimization algorithm: variants and applications,” Neural Computing and Applications, Vol. 36, No. 6, pp. 2713-2735, 2024.
[26] M. Dorigo, M. Birattari, and T. Stutzle, “Ant colony optimization,”  IEEE computational intelligence magazine, Vol. 1, No. 4, pp. 28-39, 2007.
[27] C. Blum, “Ant colony optimization: A bibliometric review,” Physics of life reviews, Vol. 51, pp. 87-95, 2024.
پژوهش های نظری و کاربردی هوش ماشینی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 02 خرداد 1405

فایل ها

هم رسانی

ارجاع به این مقاله

آمار