pimiПриборы и методы измеренийDevices and Methods of Measurements2220-95062414-0473BNTU10.21122/2220-9506-2024-15-3-231-239pimi-891Research ArticleМетоды измерений, контроля, диагностикиMethods of measurements, monitoring, diagnosticsПрименение технологий искусственного интеллекта для оперативной диагностики механических характеристик чугунаApplication of Artificial Intelligence Technology for Prompt Diagnosis of Cast Iron Mechanical PropertiesКутеповА. Ю.KutsepauA. Yu.

ул. Академическая, 16, г. Минск 220072

Akademicheskaya str., 16, Minsk 220072

КреньА. П.KrenA. P.

Адрес для переписки:Крень А.П. –Ин-т прикладной физики Национальной академии наук Беларуси, ул. Академическая, 16, г. Минск 220072, Беларусьe-mail: 7623300@gmail.com

Address for correspondence:Kren A.P. –Institute of Applied Physics of the National Academy of Science of Belarus,Akademicheskaya str., 16, Minsk 220072, Belarus e-mail:7623300@gmail.com

7623300@gmail.comНикифоровА. В.NikiforovA. V.

ул. Курчатова, 1, г. Минск 220064

Kurchatov str., 1, Minsk 220064

ТурсуновН. К.TursunovN. K.

ул. Темирйулчилар, 1, г. Ташкент 100167

Temiryulchilar str., 1, Tashkent 100167

Институт прикладной физики Национальной академии наук БеларусиБеларусьInstitute of Applied Physics of the National Academy of Science of BelarusBelarusБелорусский государственный университетБеларусьBelarussian State UniversityBelarusТашкентский государственный транспортный университетУзбекистанTashkent State Transport UniversityUzbekistan202406112024153231239Copyright © Кутепов А.Ю., Крень А.П., Никифоров А.В., Турсунов Н.К., 20242024Кутепов А.Ю., Крень А.П., Никифоров А.В., Турсунов Н.К.Kutsepau A.Y., Kren A.P., Nikiforov A.V., Tursunov N.K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://pimi.bntu.by/jour/article/view/891

Кинетическое индентирование широко используется для измерения физико-механических свойств материалов, как один из наиболее универсальных методов неразрушающего контроля. В настоящей работе использованы новейшие достижения в области искусственного интеллекта и возможности библиотек языка программирования Питон, позволяющие на основании данных диаграммы микроударного нагружения материала провести точные измерения твёрдости чугунов различных марок. Показано, что применение машинного обучения позволяет устранить грубые ошибки и снизить погрешность косвенного определения твёрдости в несколько раз – до 10 единиц по Бринеллю HB. Также установлено, что формирование дополнительных признаков для обучения моделей (на основании традиционно используемых характеристик: глубин внедрения, скорости перемещения индентора и контактных усилий в определённые моменты времени) положительным образом сказывается на точности измерений, однако при этом их количество также должно быть оптимизировано. Возможность эффективного использования машинного обучения для оценки твёрдости доказана путём сравнения расчётных значений твёрдости с данными, полученными стандартными методами испытаний. Достоинством разработанной методики контроля является то, что разработанные алгоритмы могут применяться для оперативной диагностики твёрдости чугуна с использованием уже существующего оборудования. Предложенный подход представляется целесообразным распространить на определение других механических характеристик чугуна: предела текучести, показателя деформационного упрочнения, ползучести, релаксации, определяемых методами индентирования.

Kinetic indentation is widely used to measure physical and mechanical properties of materials as one of the most universal methods for non-destructive testing. This paper uses the latest advances in artificial intelligence and capabilities of the Python programming language libraries allowing to carry out accurate measurements of cast iron hardness based on the data of the material’s micro-impact loading diagram. It has been shown that use of machine learning allows eliminating gross errors and reducing the error of indirect hardness evaluation in several times – down to 10 units according to Brinell HB. It has also been established that formation of additional features for training models (based on traditionally used characteristics: penetration depths, indenter movement speed and contact forces at certain points in time) has a positive effect on the accuracy of measurements, but amount of measurements should also be optimized. Feasibility of effective use of machine learning to evaluate hardness has been demonstrated by comparing of calculated hardness values with data obtained with standard testing methods. Advantage of the developed testing method is the fact that the developed algorithms can be used for prompt diagnostics of cast iron hardness using existing equipment. It is appropriate to extend the proposed approach for determination of other mechanical properties of cast iron: yield strength, strain hardening index, creep, relaxation, determined by indentation methods.

индентированиечугунискусственный интеллектмашинное обучениетвёрдостьindentationcast ironartificial intelligencemachine learninghardnessРабота выполнена при поддержке Белорусского республиканского фонда фундаментальных исследований. Конкурс БРФФИ– МИРРУ 2023. Проект Т23УЗБ-035 «Изучение процессов структурообразования и локального деформирования чугунов с целью создания их улучшенных марок, методик и средств неразрушающего контроля физико-механических характеристик».The work was done with the support of Belarusian Republican Foundation for Fundamental Research. Contest BRFFR-MIRRU 2023. Project Т23УЗБ-035 «Study of structure forming processes and local deformation of cast iron aiming at creating their improved grades, methods and tools of nondestructive testing of their physical and mechanical properties».ReferencesRoy E. Cast iron technology. Butterworth-Heinemann. 2014;252 p. DOI: 10.1016/B978-0-408-01512-7.50001-XRoy E. Cast iron technology. Butterworth-Heinemann. 2014;252 p. DOI: 10.1016/B978-0-408-01512-7.50001-XFerro P. Cast Irons: Properties and Applications. Mdpi AG. 2020;150 p.Ferro P. Cast Irons: Properties and Applications. Mdpi AG. 2020;150 p.Bharadiya JP, Reji TK, Farhan A. Rise of Artificial Intelligence in Business and Industry. Journal of Engineering Research and Reports. 2023;3(25):85-103. DOI: https://doi.org/10.9734/jerr/2023/v25i3893Bharadiya JP, Reji TK, Farhan A. Rise of Artificial Intelligence in Business and Industry. Journal of Engineering Research and Reports. 2023;3(25):85-103. DOI: https://doi.org/10.9734/jerr/2023/v25i3893Shahhosseini M. [et al.]. Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt. Sci Rep. 2021;(11):1606 p. DOI: 10.1038/s41598-020-80820-1Shahhosseini M. [et al.]. Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt. Sci Rep. 2021;(11):1606 p. DOI: 10.1038/s41598-020-80820-1Xin D. [et al.]. Whither AutoML? Understanding the Role of Automation in Machine Learning Workflows. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (CHI '21). 2021;(83):1-16. DOI: 10.1145/3411764.3445306Xin D. [et al.]. Whither AutoML? Understanding the Role of Automation in Machine Learning Workflows. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (CHI '21). 2021;(83):1-16. DOI: 10.1145/3411764.3445306Lu J, Suresh S. Dynamic indentation for determining the strain rate sensitivity of metals. Mech Phys Solid. 2003;(51):11-12. DOI: 10.1016/j.jmps.2003.09.007Kren AP. [et al.]. Testing physical and mechanical properties of cast iron using ifmh-ch device. Casting and metallurgy. 2019;(3). (In Russ.).Lu J, Suresh S. Dynamic indentation for determining the strain rate sensitivity of metals. Mech Phys Solid. 2003;(51):11-12. DOI: 10.1016/j.jmps.2003.09.007Kren AP. [et al.]. Testing physical and mechanical properties of cast iron using ifmh-ch device. Casting and metallurgy. 2019;(3). (In Russ.).Hassani M. [et al.]. Material hardness at strain rates beyond 106 s− 1 via high velocity microparticle impact indentation. Scripta Mater. 2020;(177):198-202. DOI: 10.1016/j.scriptamat.2019.10.032Hassani M. [et al.]. Material hardness at strain rates beyond 106 s−1 via high velocity microparticle impact indentation. Scripta Mater. 2020;(177):198-202. DOI: 10.1016/j.scriptamat.2019.10.032Kren A, Delendik M, Machikhin A. Non-destructive evaluation of metal plasticity using a single impact microindentation. International Journal of Impact Engineering. 2022;(162):104141 DOI: 10.1016/j.ijimpeng.2021.104141Kren A, Delendik M, Machikhin A. Non-destructive evaluation of metal plasticity using a single impact microindentation. International Journal of Impact Engineering. 2022;(162):104141 DOI: 10.1016/j.ijimpeng.2021.104141Hackett BL. [et al.]. Advances in the measurement of hardness at high strain rates by nanoindentation. J Mater Res. 2023;5(38):1163-77. DOI: 10.1557/s43578-023-00921-1Hackett BL. [et al.]. Advances in the measurement of hardness at high strain rates by nanoindentation. J Mater Res. 2023;5(38):1163-77. DOI: 10.1557/s43578-023-00921-1Крень А.П. Контроль физико-механических характеристик чугуна прибором ифмх-ч / А.П. Крень [и др.] // Литьё и металлургия. – 2019. – № 3.Kren AP. [et al.]. Testing physical and mechanical properties of cast iron using ifmh-ch device. Casting and metallurgy. 2019;(3). (In Russ.).Organek P, Gosowski B, Redecki M. Relationship between Brinell hardness and the strength of structural steels. Structures. 2024;59:105701. DOI: 10.1016/j.istruc.2023.105701Organek P, Gosowski B, Redecki M. Relationship between Brinell hardness and the strength of structural steels. Structures. 2024;59:105701. DOI: 10.1016/j.istruc.2023.105701Антонов А.В. Построение непараметрической плотности распределения на основании цензурированной информации / А.В. Антонов, В.А. Чепурко // Надёжность. – М.: Издательский дом «Технология». – 2005. – № 2. – С. 3.Antonov AV, Chepurko VA. Building non-parametric distribution density using censed information. Reliability. 2005;(2):3 p. (In Russ.).Hoffman J. Categorical and Cross-Classified Data: McNemar's and Bowker's Tests, Kolmogorov-Smirnov Tests, Concordance. Basic Biostatistics for Medical and Biomedical Practitioners (Second Edition). 2019:233-247 pp. DOI: 10.1016/B978-0-12-817084-7.00015-2Hoffman J. Categorical and Cross-Classified Data: McNemar's and Bowker's Tests, Kolmogorov-Smirnov Tests, Concordance. Basic Biostatistics for Medical and Biomedical Practitioners (Second Edition). 2019:233-247 pp. DOI: 10.1016/B978-0-12-817084-7.00015-2

The authors declare that there are no conflicts of interest present.