دوره 21، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 21 شماره 1 1403 )
جلد 21 شماره 1 صفحات 147-135 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghouchan Nezhad Noor Nia R, Jalali M, Houshmand M. A Community Detection-based Approach in Social Networks to Improve the Equation Analysis in the Material Science. Journal of Iranian Association of Electrical and Electronics Engineers 2024; 21 (1) :135-147
URL: http://jiaeee.com/article-1-1522-fa.html
URL: http://jiaeee.com/article-1-1522-fa.html
قوچان نژادنورنیا راهله، جلالی مهرداد، هوشمند محبوبه. یک رویکرد مبتنی بر کشف جامعه در شبکه‌های اجتماعی برای بهبود تحلیل معادلات در علم مواد. نشریه مهندسی برق و الکترونیک ایران. 1403; 21 (1) :135-147
گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی
چکیده: (819 مشاهده)
امروزه آلیاژهای آنتروپی بالا یکی از حوزه‌های محبوب برای محققان می‌باشند که عملکرد آنها با استفاده از یادگیری ماشین بهبود یافته‌اند. آلیاژهای آنتروپی بالا از حداقل پنج عنصر اصلی با اندازه‌های نزدیک به هم تشکیل شده‌اند که ویژگی‌های آنها به اندازه و انواع عناصر بستگی دارد تا خواص فیزیکی و مکانیکی را بهبود دهند. رویکرد یادگیری ماشین در زمینه‌های مختلف کاربردهای فراوانی دارد. تحلیل شبکه‌های اجتماعی یکی از ابزارهای یادگیری ماشین است که از نظریه گراف استفاده می‌کند. هر گراف از تعدادی گره و یال تشکیل شده است که هر گره دارای ویژگی‌های خاص خود است. کارهایی که تاکنون انجام شده است از مجموعه داده آلیاژ آنتروپی بالا شبکه مبتنی بر میزان نزدیکی محتوایی و ساختاری ویژگی‌های هر ترکیب استفاده نکرده‌اند. در این مقاله، روشی نوین ارائه شده است که ابزار شبکه اجتماعی را به مهندسی متالوژی و مواد تعمیم می‌دهد. روش پیشنهادی با استفاده از ابزار شبکه اجتماعی به بررسی خواص آلیاژهای آنتروپی بالا پرداخته است که شباهت آلیاژها محاسبه شده و بر اساس آن شبکه اجتماعی مواد ساخته شده است. با بکار بردن تکنیک الگوریتم لووین، گروه‌هایی از این آلیاژها استخراج شده است که هر گروه به نام خوشه دارای آلیاژهایی با خواص مشابه است. نتایج عملی بدست آمده، خوشه‌های با کیفیت بالایی را نشان می‌دهد که در پیش‌بینی عملکرد ترکیبات و کشف ترکیبات و ویژگی‌های جدید موثر خواهند بود. معیار پیمانگی که بیانگر کیفیت خوشه‌ها است حدود ۷۱۳/۰ بدست آمده است.
چکیده مبسوط [PDF 184 KB] (11 دریافت)
فهرست منابع
1. [1] Ye, Y. F., Wang, Q., Lu, J., Liu, C. T., & Yang, Y., High-entropy alloy: challenges and prospects. Materials Today, Vol. 19, No. 6, pp. 349-362, 2016. [DOI:10.1016/j.mattod.2015.11.026]
2. [2] B. Cantor, I.T.H. Chang, P. Knight, A.J.B. Vincent., Microstructural development in equiatomic multicomponent alloys, Mater. Sci. Eng. A 375-377, pp. 213-218, 2004. [DOI:10.1016/j.msea.2003.10.257]
3. [3] K.T. Butler, D.W. Davies, H. Cartwright, O. Isayev, A. Walsh., Machine learning for molecular and materials science, Nature, Vol. 559, pp. 547-555, 2018. [DOI:10.1038/s41586-018-0337-2] [PMID]
4. [4] Ahajjam, S., El Haddad, M., & Badir, H., A new scalable leader-community detection approach for community detection in social networks, Social Networks, Vol. 54, pp. 41-49, 2018. [DOI:10.1016/j.socnet.2017.11.004]
5. [5] Ozaki, N., Tezuka, H., & Inaba, M., A simple acceleration method for the Louvain algorithm. International Journal of Computer and Electrical Engineering, Vol. 8, No. 3, pp. 207, 2016. [DOI:10.17706/IJCEE.2016.8.3.207-218]
6. [6] طباطبایی، یزدیان دهکردی، جهانگرد رفسنجانی، "به‌کارگیری رویکردهای یادگیری ماشین جهت پیش‌بینی انحراف ابعاد کاشی‌های سرامیکی"، نشریه مهندسی برق و الکترونیک ایران، جلد ۱۹، شماره ۲، صفحات ۱۹۹-۲۰۶، ۱۴۰۱.
7. [7] علیزاده، حسین‌زاده، ناظمی، "تشخیص اجتماعات ترکیبی در شبکه‌های اجتماعی"، مجله مهندسی برق و الکترونیک ایران، جلد ۱۱، شماره ۲، صفحات ۴۹-۶۰، انتشارات مهندسی برق و الکترونیک ایران، ۱۳۹۳.
8. [8] شاهرخ‌زاده، رفیعی، "بهبود کارایی سیستم‌های توصیه‌گر در مواجه با مساله شروع سرد با استفاده از تحلیل رفتار کاربران در شبکه‌های اجتماعی"، نشریه مهندسی برق و الکترونیک ایران، جلد ۲۰، شماره ۱، ۱۴۰۱.
9. [9] Safdari, H., Contisciani, M., & De Bacco, C., Reciprocity, community detection, and link prediction in dynamic networks, Journal of Physics: Complexity, Vol. 3, No. 1, pp. 015010, 2022. [DOI:10.1088/2632-072X/ac52e6]
10. [10] Li, C., Chen, H., Li, T., & Yang, X., A stable community detection approach for complex network based on density peak clustering and label propagation, Applied Intelligence, Vol. 52, No. 2, pp. 1188-1208, 2022. [DOI:10.1007/s10489-021-02287-5]
11. [11] یوسفی، میرحسینی، شعبانی، "تشخیص اجتماعات در شبکه‌های اجتماعی با استفاده از الگوریتم پنگوئن امپراطور"، پنجمین همایش ملی فناوری‌های نوین در مهندسی برق، کامپیوتر و مکانیک ایران، ۱۴۰۱.
12. [12] Guo, Y. Esfahani, F., Shao, X., Srinivasan, V., Thomo, A., Xing, L., & Zhang, X., Integrative COVID-19 biological network inference with probabilistic core decomposition, Briefings in bioinformatics, Vol. 23, No. 1, pp. bbab455, 2022. [DOI:10.1093/bib/bbab455] [PMID] []
13. [13] He, Q., & Yang, Y., On lattice distortion in high entropy alloys, Frontiers in Materials, Vol. 5, No. 42, 2018. [DOI:10.3389/fmats.2018.00042]
14. [14] Dai, D., Xu, T., Wei, X., Ding, G., Xu, Y., Zhang, J., & Zhang, H., Using machine learning and feature engineering to characterize limited material datasets of high-entropy alloys, Computational Materials Science, Vol. 175, 2020. [DOI:10.1016/j.commatsci.2020.109618]
15. [15] Kaufmann, K., & Vecchio, K. S., Searching for high entropy alloys: A machine learning approach. Acta Materialia, Vol. 198, pp. 178-222, 2020. [DOI:10.1016/j.actamat.2020.07.065]
16. [16] Zhang, Y., Wen, C., Wang, C., Antonov, S., Xue, D., Bai, Y., & Su, Y., Phase prediction in high entropy alloys with a rational selection of materials descriptors and machine learning models. Acta Materialia, Vol. 185, pp. 528-539, 2020. [DOI:10.1016/j.actamat.2019.11.067]
17. [17] Risal, S., Zhu, W., Guillen, P., & Sun, L., Improving phase prediction accuracy for high entropy alloys with machine learning, Computational Materials Science, Vol. 192, pp. 110389, 2021. [DOI:10.1016/j.commatsci.2021.110389]
18. [18] Qi, J., Hoyos, D. I., & Poon, S. J., Machine Learning-Based Classification, Interpretation, and Prediction of High-Entropy-Alloy Intermetallic Phases, arXiv preprint arXiv:2208.02141, 2022. [DOI:10.1007/s44210-023-00017-9]
19. [19] Chang, H., Tao, Y., Liaw, P. K., & Ren, J., Phase prediction and effect of intrinsic residual strain on phase stability in high-entropy alloys with machine learning, Journal of Alloys and Compounds, Vol. 921, pp. 166149, 2022. [DOI:10.1016/j.jallcom.2022.166149]
20. [20] Qu, N., Liu, Y., Zhang, Y., Yang, D., Han, T., Liao, M., ... & Zhang, L., Machine learning guided phase formation prediction of high entropy alloys, Materials Today Communications, Vol. 32, pp. 104146, 2022. [DOI:10.1016/j.mtcomm.2022.104146]
21. [21] Ghouchan Nezhad Noor Nia, R., Jalali, M., Mail, M., Ivanisenko, Y., & Kübel, C., Machine Learning Approach to Community Detection in a High-Entropy Alloy Interaction Network, ACS omega, Vol. 7, No. 15, pp. 12978-12992, 2022. [DOI:10.1021/acsomega.2c00317] [PMID] []
22. [22] Ghouchan Nezhad Noor Nia, R., Jalali, M., & Houshmand, M., A Graph-Based k-Nearest Neighbor (KNN) Approach for Predicting Phases in High-Entropy Alloys, Applied Sciences, Vol. 12, No. 16, pp. 8021, 2022. [DOI:10.3390/app12168021]
23. [23] Han, J., Kamber, M., & Pei, J., Getting to Know Your Data, Data Mining, pp. 39-82, 2012. [DOI:10.1016/B978-0-12-381479-1.00002-2]
24. [24] Niwattanakul, S., Singthongchai, J., Naenudorn, E., & Wanapu, S., Using of Jaccard coefficient for keywords similarity, In Proceedings of the international multiconference of engineers and computer scientists, Vol. 1, No. 6, pp. 380-384, 2013.
25. [25] Newman, M. E. (2004). Fast algorithm for detecting community structure in networks, Physical review E, Vol. 69, No. 6, 2004. [DOI:10.1103/PhysRevE.69.066133] [PMID]
26. [26] Girvan, M., & Newman, M. E., Community structure in social and biological networks. Proceedings of the national academy of sciences, Vol. 99, No. 12, pp. 7821-7826, 2002. [DOI:10.1073/pnas.122653799] [PMID] []
27. [27] Newman, M. E., Modularity and community structure in networks, Proceedings of the national academy of sciences, Vol. 103, No. 23, pp.8577-8582, 2006. [DOI:10.1073/pnas.0601602103] [PMID] []
28. [28] Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E., Fast unfolding of communities in large networks, Journal of statistical mechanics: theory and experiment, Vol. 2008, No. 10, pp. 10008, 2008. [DOI:10.1088/1742-5468/2008/10/P10008]
29. [29] Zhang, Y., Zhou, Y. J., Lin, J. P., Chen, G. L., & Liaw, P. K., Solid‐solution phase formation rules for multi‐component alloys, Advanced Engineering Materials, Vol. 10, No. 6, pp. 534-538, 2008. [DOI:10.1002/adem.200700240]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
