A Data-Driven Optimization Framework for Property-to-Parameter Inverse Mapping in Additive Manufacturing. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Faizul Islam MS Thesis Book Eprint.pdf Restricted to Repository staff only until 4 June 2027. Download (4MB)

Arabic Abstract

تقدم الميتامواد الميكانيكية خصائص قابلة للضبط يمكن تحقيقها من خلال التحكم في معاملات التصميم. يوفر التصميم العكسي بديلاً أكثر كفاءة عن نهج التصميم الأمامي التقليدي المستهلك للوقت والموارد، وذلك بالتعيين المباشر للخصائص الميكانيكية المستهدفة إلى معاملات التصميم المطلوبة. وفي حدود علمنا، تقدم هذه الدراسة أول مقارنة شاملة بين إطارين للتصميم العكسي للميتامواد الميكانيكية: إطار تعلم الآلة الإشرافي المعكوس (direct inverse mapping)، وإطار التحسين العكسي المدعوم بالنموذج البديل (machine learning + optimization). استخدم كلا الإطارين ثلاث خوارزميات لتعلم الآلة، هي: انحدار ريدج متعدد الحدود، وانحدار متجه الدعم، وانحدار العملية الغاوسية. ولتقييم الإطارين، استُخدمت مجموعتا بيانات مستقاتان من الأدبيات العلمية (Gyroid, Re-entrant)، إضافةً إلى مجموعة بيانات تجريبية لهيكل هجين من نوع المكعب البسيط-المكعب المتمركز على الجسم (SC-BCC). بالنسبة لمجموعتَي البيانات المستقاتَين من الأدبيات، لم تُجرَ أي تجارب فيزيائية؛ لذلك استُخدم الخطأ المئوي المطلق (APE) المبني على معاملات التصميم كمقياس للتقييم. غير أن التصميم العكسي غير متفرد بطبيعته، إذ يمكن لتوليفات مختلفة من معاملات التصميم أن تنتج خصائص ميكانيكية متطابقة، مما يجعل الاعتماد على (APE) المبني على المعاملات وحده معياراً غير كافٍ. يوفر المبني على الخصائص من خلال الاختبار الفيزيائي تقييماً أكثر صرامة ودقة، وهنا تبرز أهمية مجموعة بيانات الهيكل الهجين (SC-BCC). وعند التقييم على مجموعة بيانات (SC-BCC)، أنتج إطار التحسين العكسي المدعوم بالنموذج البديل باستمرار حلول تصميم ضمن حدود التصميم المحددة. وبناءً على ذلك، جرى اختيار حلول التصميم العكسي الخاصة به للتحقق التجريبي، الذي أسفر عن متوسط خطأ مئوي مطلق (MAPE) بلغ ٥٫٤١%، و٥٫٣٧%، و٦٫٧٥% لكل من الحمل الأقصى، والصلابة، وامتصاص الطاقة على التوالي، مما يُثبت فاعليته كأداة موثوقة للتصميم العكسي للميتامواد الميكانيكية.

English Abstract

Mechanical metamaterials offer tunable properties achievable through manipulation of design parameters. Inverse design offers a more efficient alternative to the time-consuming and resource-intensive traditional forward design approach by directly mapping target properties to required design parameters. To the best of our knowledge, this work presents the first comparative study of two inverse design frameworks for mechanical metamaterials: the inverted supervised machine learning framework (direct inverse mapping) and the surrogate-assisted inverse optimization framework (forward machine learning model + optimization). Both frameworks employed three machine learning algorithms, namely Polynomial Ridge Regression, Support Vector Regression, and Gaussian Process Regression. For the frameworks evaluation, two literature-sourced datasets (Gyroid and Re-entrant structures) and one experimentally generated Simple Cubic-Body Centered Cubic (SC-BCC) hybrid structure dataset were utilized. For the literature-sourced datasets, no physical experimentation was involved; therefore, design parameter-based absolute percentage error (APE) was used as the evaluation metric. However, since inverse design is inherently non-unique, different design parameter combinations can yield identical mechanical properties, making parameter-based APE alone an insufficient criterion. Property-based APE from physical testing provides a more rigorous evaluation, which is where the SC-BCC hybrid structure dataset becomes essential. Upon evaluation on the SC-BCC dataset, the surrogate-assisted inverse optimization framework consistently produced design solutions within the defined design bounds. Consequently, its inverse design solutions were selected for experimental validation, which yielded mean absolute percentage errors (MAPEs) of 5.41%, 5.37%, and 6.75% for peak load, stiffness, and energy absorption, respectively, demonstrating its viability as a reliable tool for the inverse design of mechanical metamaterials.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering Mechanical
Department:	College of Computing and Mathematics > lndustrial and Systems Engineering
Thesis Advisor:	Asif Iqbal Malik,
Thesis Co-Advisor:	Naqeebuddin Mujahid Syed,
Thesis Committee Members:	Aamer Nazir,
Depositing User:	FAIZUL ISLAM
Date Deposited:	07 Jun 2026 11:01
Last Modified:	07 Jun 2026 11:01
URI:	https://eprints.kfupm.edu.sa/id/eprint/144413