کاربرد یادگیری ماشین در بالستیک؛ پیش‌بینی رفتار صفحات PEEK در برابر برخوردهای پرسرعت
وقتی یک کره فولادی با سرعت چند صد متر بر ثانیه به صفحه‌ای پلاستیکی برخورد می‌کند، همه‌چیز در کسری از یک میلی‌ثانیه اتفاق می‌افتد. اینکه پرتابه از صفحه عبور کند، پس از برخورد به عقب بازگردد یا حفره‌ای در سطح آن ایجاد کند، به برهم‌کنش پیچیده‌ای میان سرعت، زاویه برخورد و ویژگی‌های درونی ماده بستگی دارد. اکنون گروهی از پژوهشگران دانشگاه جنوب‌غربی جیائوتونگ، مؤسسه علوم چندمقیاسی پیک (The Peac Institute of Multiscale Sciences)، دانشگاه نینگبو و آکادمی علوم چین، این روابط را برای یکی از پلیمرهای ارزشمند مهندسی، یعنی پلی‌اتر اتر کتون (PEEK)، بررسی کرده‌اند. پژوهش آن‌ها که در نشریه Journal of Materials Science منتشر شده، آزمایش‌های بالستیکی پرسرعت، شبیه‌سازی‌های دقیق اجزای محدود و یک شبکه عصبی آموزش‌دیده را ترکیب می‌کند تا رفتار صفحات PEEK را هنگام برخورد مایل پرتابه‌ها پیش‌بینی کند.
پلیمر PEEK در دنیای مواد مهندسی جایگاه ویژه‌ای دارد. این ترموپلاستیک نیمه‌بلوری ترکیبی کم‌نظیر از استحکام، چقرمگی، مقاومت شیمیایی و پایداری حرارتی را ارائه می‌دهد؛ ویژگی‌هایی که باعث شده‌اند در سازه‌های هوافضایی، ایمپلنت‌های پزشکی و یاتاقان‌های پیشرفته کاربرد گسترده‌ای پیدا کند. بااین‌حال، گسترش استفاده از این ماده در تجهیزاتی که ممکن است بر اثر برخورد اجسام خارجی و ضربه‌های پرسرعت آسیب ببینند، ضرورت شناخت رفتار آن در برخوردهای زاویه‌دار را افزایش داده است. بیشتر پژوهش‌های بالستیکی بر برخورد عمودی تمرکز دارند؛ حالتی که پرتابه عمود بر سطح هدف حرکت می‌کند. در مقابل، برخورد مایل در شرایط واقعی بسیار رایج‌تر است؛ از قطعات و ذراتی که روی باند فرودگاه با زاویه کم به اطراف پرتاب می‌شوند تا ریزشهاب‌واره‌هایی که به‌صورت مماسی با پنل‌های فضاپیما برخورد می‌کنند. چنین برخوردهایی الگوهای تخریبی کاملاً متفاوتی ایجاد می‌کنند.
گروه پژوهشی به سرپرستی جی. وای. هوا (J. Y. Hua) و اس. ان. لوئو (S. N. Luo)، پرتابه‌های کروی از جنس فولاد زنگ‌نزن را با زاویه برخورد ۶۰ درجه و سرعت‌هایی در محدوده تقریبی ۱۰۰ تا ۴۵۰ متر بر ثانیه به صفحات PEEK شلیک کردند. این محدوده سرعت، گذار از فرورفتگی ناشی از برخوردهای کم‌سرعت تا نفوذ پرتابه در سرعت‌های بالا را در بر می‌گیرد و به همین دلیل برای بررسی تغییر رفتار ماده مناسب است. تصویربرداری پرسرعت و بررسی صفحات پس از برخورد نشان داد که سازوکار غالب تخریب، آسیب شکل‌پذیر ناشی از سایش است. PEEK به‌جای آنکه به‌شکلی ترد خرد شود، دچار تغییر شکل پلاستیک شد؛ بخشی از ماده در مسیر حفره تجمع پیدا کرد و روی سطح کشیده و پخش شد. در نهایت، تخریب سطح از طریق فرایندی شبیه سایش فرسایشی رخ داد؛ رفتاری که با نتایج پژوهش‌های چند دهه گذشته درباره برخورد و فرسایش این پلیمر همخوانی دارد.
یکی از بخش‌های اصلی این پژوهش، توسعه یک مدل رفتاری دینامیکی جدید برای PEEK است. این مدل بر پایه آزمایش‌های فشار تک‌محوره در دامنه‌ای بسیار گسترده از شرایط ساخته شده است؛ به‌طوری‌که نرخ کرنش از ۰٫۰۰۱ تا ۵۰۰۰ بر ثانیه و دما از ۳۰۰ تا ۴۷۳ کلوین تغییر می‌کرد. PEEK در تمام این شرایط رفتار الاستیک-پلاستیک معمول را نشان داد، اما دو روند متضاد نیز در آن مشاهده شد: سخت‌شوندگی ناشی از افزایش نرخ کرنش، به این معنا که ماده در برابر تغییر شکل سریع‌تر مقاومت بیشتری پیدا می‌کند، و نرم‌شوندگی حرارتی، یعنی کاهش مقاومت ماده با افزایش دما. پژوهشگران برای توصیف مدول الاستیسیته از تابعی سیگموئیدی برحسب دمای نرمال‌شده استفاده کردند که حول دمای گذار شیشه‌ای تنظیم شده و در جمله‌ای از نوع قانون توانی برای لحاظ‌کردن اثر نرخ کرنش ضرب می‌شود. همچنین برای توصیف تنش جریان پلاستیک، جمله سخت‌شوندگی کرنشی مشابه مدل جانسون-کوک را با یک مدل سه‌بخشی حساسیت به نرخ کرنش و ضریب خطی نرم‌شوندگی حرارتی ترکیب کردند.
جزئیات حساسیت PEEK به نرخ کرنش، اطلاعات مهمی درباره رفتار این ماده آشکار می‌کند. تنش جریان نرمال‌شده این پلیمر در نرخ‌های کرنش پایین به‌آرامی افزایش می‌یابد، سپس در محدوده تقریبی ۱۰۰ تا ۳۱۶ بر ثانیه از ناحیه‌ای با تغییرات منحنی و پیوسته عبور می‌کند و در نرخ‌های بالاتر با شیبی تند افزایش پیدا می‌کند. شیب افزایش تنش در ناحیه نرخ کرنش بالا بیش از هفت برابر ناحیه نرخ کرنش پایین است. این ساختار سه‌بخشی که در نقاط گذار، پیوستگی کامل آن حفظ شده است، بازتابی از سازوکارهای بنیادی آسایش مولکولی در پلیمر به شمار می‌رود؛ سازوکارهایی که بسته به مقیاس زمانی تغییر شکل، نقش متفاوتی پیدا می‌کنند. مدل پیشنهادی همچنین برای توصیف تراکم حجمی از معادله حالت می-گرونایزن استفاده می‌کند و گرمایش آدیاباتیک را نیز در نظر می‌گیرد. در این بخش فرض شده است که حدود ۶۰ درصد کار ناشی از تغییر شکل پلاستیک به گرما تبدیل می‌شود؛ فرضی متداول در شبیه‌سازی برخورد با پلیمرها.
پس از توسعه مدل ماده، پژوهشگران شبیه‌سازی‌های اجزای محدود را با استفاده از رویکرد جفت‌شده اویلری-لاگرانژی انجام دادند. این روش به‌ویژه برای مسائلی مناسب است که با تغییر شکل‌های بسیار شدید همراه‌اند؛ شرایطی که در آن‌ها شبکه‌های محاسباتی روش‌های متداول ممکن است به‌شدت دچار اعوجاج شوند. نتایج شبیه‌سازی‌ها با مشاهدات آزمایشگاهی تطابق نزدیکی داشت و شکل حفره‌های ایجادشده، رفتار بازگشت پرتابه و میزان اتلاف انرژی را به‌خوبی بازسازی کرد. مهم‌تر اینکه شبیه‌سازی‌های اعتبارسنجی‌شده به ابزاری برای تولید داده تبدیل شدند. پژوهشگران با تغییر زاویه برخورد و سرعت پرتابه در تعداد زیادی آزمایش مجازی، مجموعه بزرگی از داده‌های مربوط به پاسخ بالستیکی ماده ایجاد کردند؛ داده‌هایی که تولید آن‌ها از طریق آزمایش‌های فیزیکی، هزینه و زمان بسیار زیادی می‌طلبید.
در مرحله بعد، این مجموعه داده برای آموزش یک شبکه عصبی مبتنی بر پس‌انتشار خطا به کار رفت؛ معماری شناخته‌شده‌ای که از روش‌های پرکاربرد یادگیری ماشین محسوب می‌شود. شبکه پس از آموزش توانست رابطه میان شرایط برخورد و نتایج آن را یاد بگیرد و مجموعه‌ای کامل از کمیت‌های مربوط به پاسخ بالستیکی را پیش‌بینی کند. این کمیت‌ها شامل زاویه بازگشت پرتابه، سرعت بازگشت و ویژگی‌های هندسی حفره، از جمله ابعاد آن در سه محور و حجم حفره بودند. پژوهشگران سپس نتایج پیش‌بینی‌ها را به نمودارهای فازی تبدیل کردند؛ نقشه‌هایی که محدوده‌های مختلف رفتار ماده را برحسب زاویه برخورد و سرعت پرتابه مشخص می‌کنند. این نمودارها به‌روشنی نشان می‌دهند که پرتابه در چه شرایطی با زاویه‌ای تند بازمی‌گردد، چه زمانی با حرکت مماسی سطح را می‌خراشد و شیار ایجاد می‌کند و هندسه حفره چگونه با تغییر پارامترهای برخورد دگرگون می‌شود.
نکته مهم این است که پژوهشگران صرفاً به محاسبات داخلی شبکه عصبی اعتماد نکردند. آن‌ها پیش‌بینی‌های یادگیری ماشین را با نتایج یک آزمایش برخورد مستقل که در داده‌های آموزشی استفاده نشده بود، مقایسه کردند و به تطابق مناسبی دست یافتند. این چرخه کامل، از آزمایش فیزیکی تا شبیه‌سازی مبتنی بر قوانین فیزیک، سپس یادگیری ماشین و در نهایت اعتبارسنجی دوباره با آزمایش، الگویی از شیوه رو به گسترش پژوهش در علم مواد مدرن ارائه می‌دهد. در این رویکرد، به‌جای انتخاب میان آزمایش‌های پرهزینه و مدل‌های ساده‌سازی‌شده، از هر روش برای جبران محدودیت‌های روش دیگر استفاده می‌شود. آزمایش‌ها اعتبار فیزیکی شبیه‌سازی‌ها را تأمین می‌کنند، شبیه‌سازی‌ها حجم بزرگی از داده را فراهم می‌آورند که تولید آزمایشگاهی آن دشوار است و یادگیری ماشین این اطلاعات را به ابزارهایی سریع و پیش‌بینی‌کننده تبدیل می‌کند.
کاربردهای عملی این دستاورد به صنایع مختلف گسترش می‌یابد. کامپوزیت‌های مبتنی بر PEEK به دلیل وزن کم و چقرمگی بالا برای مهندسان هوافضا جذاب‌اند و شناخت رفتار آن‌ها در برخوردهای مایل می‌تواند مستقیماً به طراحی سازه‌هایی کمک کند که باید در برابر برخورد قطعات پراکنده روی باند فرودگاه، تگرگ و پرندگان مقاومت داشته باشند. فهرست منابع این مطالعه نیز نشان می‌دهد که پژوهش حاضر بخشی از برنامه تحقیقاتی گسترده‌تری است که همین گروه‌ها دنبال می‌کنند. آن‌ها پیش‌تر از رویکرد ترکیبی آزمایش، شبیه‌سازی و یادگیری ماشین برای بررسی موادی مانند پلی‌کربنات، پلی‌اتیلن با وزن مولکولی فوق‌العاده بالا، آلیاژهای منیزیم، اینکونل ۷۱۸ و آلیاژهای با آنتروپی بالا استفاده کرده‌اند. مجموعه این تلاش‌ها به شکل‌گیری دانشی نظام‌مند و داده‌محور درباره برخوردهای پرسرعت در گروه‌های مختلف مواد کمک می‌کند؛ دانشی که می‌تواند جایگزین آزمایش‌های پراکنده و موردی شود و روش‌هایی قابل تعمیم برای بررسی مواد مختلف فراهم آورد.
این پژوهش از نظر علمی نیز دستاورد عمیق‌تری دارد. مدل رفتاری توسعه‌یافته نشان می‌دهد که معماری مولکولی PEEK و ساختار نیمه‌بلوری آن، با ویژگی‌های مرتبط با گذار شیشه‌ای، چگونه در مقیاس بزرگ‌تر بر پاسخ ماده به ضربه اثر می‌گذارند. حساسیت چشمگیر این پلیمر به نرخ کرنش در محدوده بالاتر از ناحیه گذار نشان می‌دهد که فرایندهای آسایش مولکولی احتمالاً نقش تعیین‌کننده‌ای در توانایی ماده برای جذب و مستهلک‌کردن انرژی برخورد دارند. چنین شناختی می‌تواند مسیر طراحی نسل آینده زره‌های ترموپلاستیکی، پوشش‌های محافظ و سازه‌های مقاوم در برابر ضربه را روشن‌تر کند. با پیشرفته‌ترشدن ابزارهای یادگیری ماشین، امکان تولید نمودارهای فازی معتبر از رفتار مواد در شرایط مختلف و در زمان موردنیاز، می‌تواند رویکرد مهندسان به حفاظت در برابر ضربه را دگرگون کند و حوزه‌ای را که پیش‌تر به آزمون‌وخطای پرهزینه وابسته بود، به دانشی کمی و مبتنی بر پیش‌بینی تبدیل سازد. برای پلیمری که هم‌اکنون از اتاق عمل تا تجهیزات پروازی کاربرد دارد، این پیشرفتی مهم به شمار می‌رود.
موضوع پژوهش: رفتار صفحات پلی‌اتر اتر کتون (PEEK) در برخوردهای مایل پرسرعت و مدل‌سازی پیش‌بینی‌کننده آن
عنوان مقاله علمی: برخورد مایل با صفحات پلی‌اتر اتر کتون (PEEK): آزمایش‌های بالستیکی، مدل‌سازی به روش اجزای محدود و یادگیری ماشین
مرجع مقاله: «برخورد مایل با صفحات پلی‌اتر اتر کتون (PEEK): آزمایش‌های بالستیکی، مدل‌سازی به روش اجزای محدود و یادگیری ماشین». (بدون تاریخ). https://doi.org/10.1007/s10853-026-13898-z
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1007/s10853-026-13898-z
کلیدواژه‌ها: PEEK، برخورد بالستیکی، برخورد مایل، روش اجزای محدود، یادگیری ماشین، شبکه عصبی، مدل رفتاری ماده، پلیمرها، سخت‌شوندگی ناشی از نرخ کرنش، نرم‌شوندگی حرارتی، هندسه حفره، مواد هوافضایی
منبع خبر: بلیک دیویدسون (Blake Davidson)، ۱۴ اکتبر ۲۰۲۶، «کاربرد یادگیری ماشین در بالستیک؛ پیش‌بینی رفتار صفحات PEEK در برابر برخوردهای پرسرعت»، Scienmag.