پروژه مهندسی مواد با پایتون

شرح پروژه

در این پروژه، به منظور تحلیل و مقایسه عملکرد تریبولوژیکی پوشش‌های سرامیکی پیشرفته (ZrB₂–SiC، WC، TiC و SiC) روی زیرلایه‌های فلزی آلومینیوم و آهن، داده‌های آزمایشگاهی مربوط به نرخ سایش، ضریب اصطکاک و مورفولوژی سطح پس از آزمون، جمع‌آوری و در قالب یک فایل CSV ساختار یافته ذخیره می‌شود. برای تحلیل داده‌ها از کتابخانه‌های پایتون مانند pandas برای پاکسازی و آماده‌سازی داده‌ها، matplotlib و seaborn جهت مصورسازی روابط آماری، و scikit-learn برای مدل‌سازی و پیش‌بینی رفتار سایش با استفاده از الگوریتم‌هایی مانند رگرسیون خطی و درخت تصمیم استفاده خواهد شد. ساختار دیتاست به‌صورت زیر خواهد بود:

• ستون‌های Coating_Type (نوع پوشش: ZrB₂–SiC، WC، TiC، SiC)،
• Substrate (جنس زیرلایه: Al, Fe)،
• Environment (شرایط: خشک یا مرطوب)،
• Normal_Load (نیروی عمودی [N])،
• Sliding_Speed (سرعت لغزش [m/s])،
• Wear_Rate (نرخ سایش [mm³/N·m])،
• CoF (ضریب اصطکاک)،
• Surface_Roughness_After_Test (زبری سطح پس از آزمون [μm])،
• Mass_Loss (کاهش جرم [mg])

و در صورت امکان Morphology_Class (کلاس‌بندی مورفولوژی با استفاده از تصاویر SEM). این رویکرد، امکان تحلیل چندبعدی، مقایسه بین پوشش‌ها و زیرلایه‌ها در شرایط مختلف و همچنین شناسایی پارامترهای تاثیرگذار را فراهم می‌کند و می‌تواند با ابزارهای یادگیری ماشین به پیش‌بینی رفتار سایش نیز کمک نماید.

دیتاست پیشنهادشده:

1. Tribology dataset: Fe-Cr Composite Coatings Wear (Mendeley Data)

• توضیح: شامل ۵۰۰ تصویر SEM با وضوح بالا از پوشش‌های Fe-Cr پس از تست سایش ball-on-disk، همراه با داده‌های مرتبط.
• کاربرد: مناسب برای تمرین دیتاست‌های تصویری، تحلیل سایش و مدل‌سازی یادگیری ماشین.
• لینک دانلود دیتاست:https://data.mendeley.com/datasets/m7vmhjbktv

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

آکادمی مهرسام

عضویت پنج سال پیش

798 پروژه ثبت شده ،

12 پروژه در حال انجام ،

5 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 78%