شبیه سازی پلیمریزاسیون

پروژه مربوط به شبیه‌سازی‌ چندفیزیکی و تحلیل‌ پیشرفته در حوزه‌های شیمی و مکانیک هست. پیشنهاد پروژه: هدف پروژه شبیه‌سازی shrinkage ناشی از پلیمریزاسیون (curing) در مایعی است که شامل چند مونومر و یک photoinitiator می‌باشد. در این فرآیند، نور ماورای بنفش موجب پلیمریزاسیون و در نتیجه تغییرات حجمی (shrinkage) می‌شود. برای شبیه‌سازی دقیق این پدیده، پیشنهاد من ایجاد یک مدل چندفیزیکی ترکیبی (Thermo-Chemo-Mechanical) است که در ادامه مراحل پیشنهادی شرح داده می‌شود: تعریف ورودی‌ها: مشخصات شیمیایی: ترکیب و نسبت مونومرها خواص فیزیکی و شیمیایی هر مونومر (وزن مولکولی، ویسکوزیته، مد نظر قرارگیری در واکنش) غلظت و ویژگی‌های photoinitiator شرایط پلیمریزاسیون: شدت و مدت زمان تابش نور ماورای بنفش دما و شرایط محیطی ویژگی‌های مکانیکی: مدول یانگ، ضریب انبساط حرارتی، و سایر خواص مربوط به مواد در حالت قبل و بعد از پلیمریزاسیون روش شبیه‌سازی: مدل چندفیزیکی: ابتدا یک مدل کامپیوتری بر پایه نرم‌افزارهای شبیه‌سازی Abaqus طراحی می‌شود که شامل دو بخش اصلی باشد: 1. بخش شیمیایی: شبیه‌سازی kinetics پلیمریزاسیون با مدل‌سازی واکنش‌های شیمیایی (تغییر درجه‌ی cure و تولید زنجیره‌های پلیمری) 2. بخش مکانیکی: تحلیل تغییرات حجمی و استرس‌های ایجاد شده ناشی از shrinkage، با اعمال شرایط مرزی و بارهای حرارتی ادغام یادگیری ماشین (در صورت نیاز): به منظور بهبود دقت پیش‌بینی و کاهش زمان محاسبات، می‌توان از مدل‌های یادگیری ماشین بهره برد. این مدل‌ها می‌توانند از داده‌های شبیه‌سازی اولیه برای پیش‌بینی سریع‌تر نتایج در شرایط مختلف استفاده کنند و روند بهینه‌سازی پارامترها را تسهیل کنند. روش کار پیشنهادی: مرحله اول – پیش‌پردازش و تعریف ورودی‌ها: گردآوری تمامی داده‌های شیمیایی، مکانیکی و شرایط آزمایشگاهی مربوط به مایع مورد نظر. مرحله دوم – توسعه مدل: طراحی مدل چندفیزیکی که ابتدا kinetics پلیمریزاسیون را شبیه‌سازی می‌کند و سپس اثرات مکانیکی (شامل shrinkage) را محاسبه می‌کند. مرحله سوم – بهینه‌سازی و تحلیل: ارزیابی نتایج اولیه مدل، و در صورت نیاز بهینه‌سازی پارامترهای ورودی با استفاده از الگوریتم‌های یادگیری ماشین برای دستیابی به پیش‌بینی دقیق‌تر رفتار shrinkage در شرایط مختلف.