Machine Learning Models for Predicting Material Thermal Properties. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Master Thesis by Mohammed Husain Khalifa) Thesis.pdf - Accepted Version Restricted to Repository staff only until 30 December 2026. Download (15MB)

Arabic Abstract

یعُد التقدیر الدقیق للخصائص الحراریة أمرًا بالغ الأھمیة لتصمیم وتشغیل مختلف الأنظمة الھندسیة. كما تعُد إدارة نقل الحرارة الفعالة ضروریة للتطبیقات مثل أنظمة الحمایة الحراریة في قطاع الفضاء والإلكترونیات والبطاریات والعزل الحراري. في ھذا (TCR) السیاق، تعُد خاصیتان حراریتان مھمتین ھما الانتشار الحراري (خاصیة حراریة حجمیة) ومقاومة التلامس الحراري (خاصیة سطحیة/بینیة). غالباً ما تكون الطرق التقلیدیة لتقدیر الخصائص الحراریة طرقاً تدخلیة، وتتطلب إعداداً دقیقاً للعینات، وتستغرق وقتاً طویلا،ً وتتطلب معدات وأجھزة باھظة الثمن. حیث تسُتخدم توزیعات درجات الحرارة المقاسة ،(IHTPs) بدلاً من ذلك، تستكشف ھذه الأطروحة مسائل نقل الحرارة العكسیة الناتجة عن التسخین الموضعي بشعاع لیزر غاوسي - كمدخلات (IRT) - باستخدام التصویر الحراري بالأشعة تحت الحمراء للتنبؤ بالخصائص الحراریة. تم التحقیق في مشكلتین مترابطتین: (ML) لخوارزمیات التعلم الآلي أولا،ً تم تطویر إطار عمل غیر تدخلي للتنبؤ بالانتشار الحراري لمواد مختلفة. تمت محاكاة تسخین السطح العلوي للمادة باستخدام تألفت مجموعة البیانات من 1000 مادة موزعة على ثلاث فئات: المعادن COMSOL Multiphysics برنامج والسیرامیك والبولیمرات. ثم تم استخلاص حقل درجة الحرارة الناتج وتغذیتھ إلى نماذج التعلم الآلي للتنبؤ. شملت النماذج شبكة وآلة ،(XGBoost) التعزیز التدرجي الشدید ،(RF) وأربعة نماذج انحدار ھي: الغابات العشوائیة (CNN) عصبیة التفافیة أفضل أداء، حیث قدم أفضل CNN-KNN حقق مزیج (KNN). وأقرب الجیران ،(LGBM) التعزیز بالتدرج الخفیف متوسط أداء عبر فئات المواد الثلاث مع وقت استدلال سریع نسبیاً. بین مادتین مختلفتین. تمت محاكاة حقول درجات الحرارة (TCR) ثانیاً، تم توسیع المنھجیة لاستنتاج مقاومة التلامس الحراري لكل زوج، أي ما یعادل 7500 TCR ل 15 زوجًا من المواد (معدن-معدن، معدن-بولیمر، وبولیمر-بولیمر)، مع 500 قیمة ،XGBoost و ،(RF) جنباً إلى جنب مع خمسة نماذج انحدار أخرى: الغابات العشوائي CNN عینة. تم استخدام نفس بنیة KNN و CNN + ET حقق مزیج .(KNN) وأقرب الجیران ،(ET) والأشجار الإضافیة ،(GB) وتعزیز التدرج أفضل أداء مقارنة بالنماذج الخمسة الأخرى. بالإضافة إلى ذلك، تم إجراء دراستین معاملیتان حول الانعكاسیة ومعامل نقل الحرارة. تمت مقارنة النھج المباشر في كلتا المشكلتین بطریقة تحلیل غیر بعُدي للتنبؤ بالخصائص المطلوبة. بشكل عام، أظھرت النتائج أن تسخین سطح ما قلیلا باستخدام اللیزر، والتقاط توزیع درجة الحرارة، ومعالجتھ باستخدام التعلم الآلي، یمكن أن یتنبأ بدقة بالانتشار الحراري ومقاومة التلامس یمكنھا حل مسائل انتقال الحرارة العكسیة (CNN) الحراري. وھذا یدل على أن النماذج القائمة على الشبكات العصبیة الاتفافیة بكفاءة.

English Abstract

Accurate estimation of thermal properties is essential for designing and operating different engineering systems. Efficient management of heat transfer is crucial for applications such as aerospace thermal protection systems, electronics, batteries, and thermal insulation. In this context, two thermal properties are important, thermal diffusivity (bulk thermal property), and thermal contact resistance (TCR) (interfacial property). Conventional method to estimate thermal properties are often intrusive, require careful sample preparation, time-consuming, and expensive instrumentations setups. As an alternative approach, this thesis investigates inverse heat transfer problems (IHTPs), where infrared thermography (IRT) temperature distributions induced by localized Gaussian distribution laser heating are used as inputs to machine learning (ML) algorithms to predict the thermal properties. Two interrelated problems are studied. First, a nonintrusive framework is built to predict the thermal diffusivity of different materials. A laser is simulated in COMSOL Multiphysics software to slightly heat the top surface of a material. The dataset consisted of 1,000 materials across three classes: metals, ceramics, and polymers. The resulting temperature field is extracted and forwarded to ML for prediction. The ML models are based on a Convolutional Neural Network (CNN) and four regression models, namely Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Light Gradient-Boosting Machine (LGBM), and K-Nearest Neighbor (KNN). The combination of CNN-KNN is the top performer, delivering the best average performance across the three material classes with relatively fast inference time. Second, the approach is extended to infer TCR between two dissimilar materials. The temperature fields are simulated for 15 pairs (metal-metal, metal-polymer, and polymer-polymer), each for 500 TCR values, which is equivalent to 7,500 samples. The same CNN network is used with 5 other regressors, namely Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Gradient Boosting (GB), Extra Trees (ET) and K-Nearest Neighbors (KNN). The (CNN + ET, and KNN) performed the best out of the five models. Additionally, two parametric studies on reflectivity and convection coefficient are conducted. The direct approach of both problems is also compared to a nondimensional analysis method to predict the properties in interest. Overall, the results showed that slightly heating a surface with a laser, then capturing the temperature distribution, and processing it with ML can predict the thermal diffusivity and TCR accurately. Which shows the CNN-based models can efficiently solve the IHTPs

Item Type:	Thesis (Masters)
Subjects:	Research Research > Engineering Mechanical
Department:	College of Engineering and Physics > Mechanical Engineering
Committee Advisor:	Shuja, Shahzada Zaman
Committee Members:	Zubair, Syed Mohammad and Elsamadony, Mohamed
Depositing User:	MOHAMMED KHALIFA (g202321130)
Date Deposited:	30 Dec 2025 12:06
Last Modified:	30 Dec 2025 12:06
URI:	http://eprints.kfupm.edu.sa/id/eprint/143955