Применение технологий искусственного интеллекта для оперативной диагностики механических характеристик чугуна

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.

1. Roy E. Cast iron technology. Butterworth-Heinemann. 2014;252 p. DOI: 10.1016/B978-0-408-01512-7.50001-X

2. Ferro P. Cast Irons: Properties and Applications. Mdpi AG. 2020;150 p.

3. 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/v25i3893

4. Shahhosseini 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/s41598-020-80820-1

5. Xin 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: 10.1145/3411764.3445306

6. 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.).

7. 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.2019.10.032

8. Kren 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.2021.104141

9. Hackett 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/s43578-023-00921-1

10. Крень А.П. Контроль физико-механических характеристик чугуна прибором ифмх-ч / А.П. Крень [и др.] // Литьё и металлургия. – 2019. – № 3.

11. 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.2023.105701

12. Антонов 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.

13. 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/B978-0-12-817084-7.00015-2