MARC

 008250123s2024        us                              c    eng  d
■001000017161535
■00520250211151409
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382761800
■035    ▼a(MiAaPQ)AAI31292473
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aComlek,  Yigitcan.▼0(orcid)0000-0002-3654-1576
■24510▼aInterpretable  Design  of  Microstructural  Material  Systems  With  Mixed-Variable  Representations
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a169  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Chen,  Wei.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aThe  intersection  of  engineering  design  and  material  science  has  led  to  the  proliferation  of  materials  design  research.  In  the  relentless  pursuit  of  technological  excellence,  the  design  and  development  of  engineered  material  systems  lay  the  foundation  for  groundbreaking  discoveries  and  transformative  applications.  With  the  advancements  in  computational  modeling,  optimization,  and  evaluation  capabilities,  the  development  of  engineered  material  systems  has  taken  a  rapid  acceleration.  On  the  other  hand,  due  to  the  complexity  of  these  computational  innovations,  the  understanding  and  interpretability  behind  the  development  of  material  systems  have  become  a  challenge  that  needs  to  be  addressed.  Within  this  consideration,  interpretable  materials  design  research  area  has  emerged  to  decompose  the  complex  relationships  between  the  material  ecosystems  from  the  perspective  of  engineering  design.  Specifically,  interpretable  materials  design  research  can  be  defined  as  the  process  of  purposefully  making  data-driven  design  decisions  that  captures  the  cause-effect  relationships  between  the  material  ecosystem  for  building  physics  informed  process-structure-property  links  to  discover  scientific  knowledge  about  the  material  system.  In  the  quest  for  contributing  to  interpretable  material  design  research,  the  main  theme  of  this  dissertation  is  the  development  of  design  methodologies  and  frameworks  through  machine  learning  and  statistical  techniques  to  extract  scientific  knowledge  and  interpretability  for  material  systems  with  different  material  representation  requirements.  Through  this  theme,  this  dissertation  is  dedicated  to  addressing  four  identified  challenges  that  arise  from  different  perspectives  and  domains  of  interpretable  materials  design  research.The  first  research  challenge  emerges  when  material  systems  require  or  possess  qualitative  information.  Although  most  qualitative  design  variables  are  easily  accessible,  it  is  very  rare  that  only  qualitative  variables  are  utilized  to  design  material  systems.  Furthermore,  the  design  space  can  easily  expand  towards  high  order  magnitudes  with  the  combination  of  different  variables,  requiring  high  amount  of  resource  allocation  to  identify  novel  designs.  In  this  dissertation,  a  Latent  Variable  Gaussian  Process  (LVGP)  and  multi-objective  batch  Bayesian  optimization  framework  is  developed  to  identify  top-performing  material  candidates  from  a  large  combinatorial  design  space  adaptively,  autonomously,  and  efficiently.  The  contribution  of  this  work  is  a  design  framework  that  requires  no  specific  physical  descriptors  for  global  optimization  of  large  combinatorial  material  spaces  while  providing  interpretability  through  latent  variables  with  physical  justification.The  second  challenge  arises  from  the  lack  of  extracting  the  importance  and  interactions  within  the  mixed-variable  material  design  spaces  on  material  properties.  For  quantitative  spaces,  a  well-known  method  to  extract  such  information  is  achieved  through  global  sensitivity  analysis  (GSA)  methods.  Thus  far,  GSA  techniques  are  limited  to  studies  with  only  quantitative  design  variables,  even  though  qualitative  design  variables  are  ubiquitous  in  many  materials  design  applications.  In  this  dissertation,  a  new  sampling  approach  is  integrated  into  metamodeling  to  develop  a  mixed-variable  GSA  methodology.  The  contribution  of  this  work  lies  in  incorporating  qualitative  variables  into  GSA  studies  and  further  integrating  it  with  Bayesian  optimization  to  create  a  sensitivity-aware  design  framework.The  success  of  interpretable  materials  design  relies  heavily  on  the  availability  and  quality  of  materials  information  (data).  As  a  result,  the  third  challenge  stems  from  the  sparse  and  possibly  unreliable  data  resulting  from  inconsistencies  and  discrepancies  in  the  data  curation  methodologies  across  various  information  sources,  leading  to  unavoidable  difficulties  that  can  have  severe  impact  on  subsequent  data-driven  analysis,  modeling,  and  interpretation  of  the  material  system.  In  this  dissertation,  the  inherent  complexities  and  uncertainties  associated  with  each  information  source  are  extracted  and  further  implemented  into  data  fusion  modeling  through  incorporation  of  information  each  source  as  a  design  variable  into  multi-source  modeling  through  LVGP  to  obtain  comprehensive,  robust,  and  deeper  understanding  of  material  behaviors.  The  contribution  of  this  work  comes  from  leveraging  the  complementary  information  available  from  and  in  between  multiple  sources  to  enable  the  development  of  more  interpretable  and  impactful  modeling  of  material  systems.Finally,  under  different  processing  and  experimental  conditions,  materials  go  through  multiscale  changes  in  their  structures,  affecting  their  properties  and  performance  significantly.  Consequently,  data-driven  materials  design  is  subject  to  numerous  sources  of  uncertainty  at  each  length  scale  of  the  material  system  that  impedes  the  understanding  and  the  pace  of  the  materials  development.  Therefore,  uncertainty  quantification  (UQ)  and  propagation  (UP)  play  a  vital  role  for  generating  safe  design  guidelines  for  materials  systems.  However,  performing  UQ  &  UP  in  multiscale  materials  systems  often  requires  computationally  intensive  simulations  and  analyses,  particularly  when  considering  high-dimensional  parameter  spaces  and  complexity  of  material  systems.  In  this  dissertation,  an  efficient  multiscale  UQ  &  UP  framework  through  copula-based  sampling  is  developed  to  significantly  reduce  the  amount  of  resources  required  to  understand  and  extract  the  influence  of  lower  scale  uncertainties  on  the  highest  material  scale  properties. 
■590    ▼aSchool  code:  0163.
■650  4▼aMechanical  engineering
■650  4▼aMaterials  science
■653    ▼aEngineering  design
■653    ▼aInterpretable  machine  learning
■653    ▼aMaterials  design
■653    ▼aUncertainty  quantification
■653    ▼aLatent  Variable  Gaussian  Process
■690    ▼a0548
■690    ▼a0800
■690    ▼a0794
■71020▼aNorthwestern  University▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161535▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서