Ученые Пермского политеха разработали программу для прогнозирования характеристик сплавов
03.10.2024
Титановые сплавы широко используют в аэрокосмической, медицинской и автомобильной промышленности из-за высокой прочности, малого веса и устойчивости к коррозии. Однако нехватка экспериментальных данных создает трудности с прогнозированием их характеристик, что замедляет и ухудшает производство. Ученые Пермского политеха разработали программу для нейросетей, которая с высокой точностью предсказывает показатель шероховатости поверхности сплава. От него зависит износ детали при трении с другими механизмами или поверхностью, а также противостояние коррозии.
На разработку выдано свидетельство № 2024668654. Исследование проведено в рамках реализации программы стратегического академического лидерства «Приоритет-2030».
В последние годы методы машинного обучения широко применяются в различных отраслях производства. Одна из ключевых особенностей – необходимость наличия большого количества данных для обучения моделей. Но в реальных промышленных условиях сбор данных затруднен или становится финансово затратным. Особенно это актуально для высокоточных и сложных процессов, таких как обработка титановых сплавов резанием.
Так, например, в производстве двигателей сплав используется для изготовления деталей воздухосборника, корпуса, лопаток и дисков компрессора. Чтобы получить качественную их поверхность, требуется оптимизировать режимы резания. Для этого необходима информация о влиянии различных параметров на качество обработки, чтобы спрогнозировать конечный результат. Предсказанием показателей шероховатости занимаются нейросети. Чтобы расширить обучающую выборку и уменьшить затраты на проведение экспериментов, применяется метод искусственного увеличения объема данных – аугментация.
Ученые Пермского политеха исследовали регрессионную модель аугментации и на ее основе создали программу, которая решает проблему. Такие модели построены на ограниченном наборе информации. Они использовались для генерации дополнительных данных, тем самым создав расширенную базу из 2000 примеров. Полученные результаты применили для обучения нейросетей, предсказывающих шероховатость поверхности сплава ВТ6 (распространен в авиации и ракетостроении).
– Результаты показали, что нейронные сети, обученные на аугментированных данных, достигли высокой точности предсказаний по метрике MAPE = 3.97%. Это говорит о том, что ошибка составила всего 3,97% от фактических значений. Другими словами, такой метод эффективен в условиях ограниченного объема исходных данных, – поясняет Вадим Данелян, аспирант кафедры вычислительной математики, механики и биомеханики, руководитель группы молодежного проектно-технологического бюро передовой инженерной школы «Высшая школа авиационного двигателестроения» ПНИПУ.
– Мы создали программу, которая не только подбирает необходимые режимы резания титановых сплавов ВТ6 для достижения нужного уровня шероховатости, но и может применяться при обработке сталей и других сплавов, – комментирует Андрей Клюев, кандидат физико-математических наук, доцент кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ.
Применение программы ученых Пермского политеха позволяет расширить выборку, реализовать корректный процесс обучения искусственных нейросетей и добиться высокой точности прогноза будущих характеристик сплава, в том числе показателя шероховатости, от которого зависит срок износа деталей. Предложенный подход можно адаптировать для других процессов обработки материалов в различных областях промышленного производства.
На разработку выдано свидетельство № 2024668654. Исследование проведено в рамках реализации программы стратегического академического лидерства «Приоритет-2030».
В последние годы методы машинного обучения широко применяются в различных отраслях производства. Одна из ключевых особенностей – необходимость наличия большого количества данных для обучения моделей. Но в реальных промышленных условиях сбор данных затруднен или становится финансово затратным. Особенно это актуально для высокоточных и сложных процессов, таких как обработка титановых сплавов резанием.
Так, например, в производстве двигателей сплав используется для изготовления деталей воздухосборника, корпуса, лопаток и дисков компрессора. Чтобы получить качественную их поверхность, требуется оптимизировать режимы резания. Для этого необходима информация о влиянии различных параметров на качество обработки, чтобы спрогнозировать конечный результат. Предсказанием показателей шероховатости занимаются нейросети. Чтобы расширить обучающую выборку и уменьшить затраты на проведение экспериментов, применяется метод искусственного увеличения объема данных – аугментация.
Ученые Пермского политеха исследовали регрессионную модель аугментации и на ее основе создали программу, которая решает проблему. Такие модели построены на ограниченном наборе информации. Они использовались для генерации дополнительных данных, тем самым создав расширенную базу из 2000 примеров. Полученные результаты применили для обучения нейросетей, предсказывающих шероховатость поверхности сплава ВТ6 (распространен в авиации и ракетостроении).
– Результаты показали, что нейронные сети, обученные на аугментированных данных, достигли высокой точности предсказаний по метрике MAPE = 3.97%. Это говорит о том, что ошибка составила всего 3,97% от фактических значений. Другими словами, такой метод эффективен в условиях ограниченного объема исходных данных, – поясняет Вадим Данелян, аспирант кафедры вычислительной математики, механики и биомеханики, руководитель группы молодежного проектно-технологического бюро передовой инженерной школы «Высшая школа авиационного двигателестроения» ПНИПУ.
– Мы создали программу, которая не только подбирает необходимые режимы резания титановых сплавов ВТ6 для достижения нужного уровня шероховатости, но и может применяться при обработке сталей и других сплавов, – комментирует Андрей Клюев, кандидат физико-математических наук, доцент кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ.
Применение программы ученых Пермского политеха позволяет расширить выборку, реализовать корректный процесс обучения искусственных нейросетей и добиться высокой точности прогноза будущих характеристик сплава, в том числе показателя шероховатости, от которого зависит срок износа деталей. Предложенный подход можно адаптировать для других процессов обработки материалов в различных областях промышленного производства.
Марина Осипова © Вечерние ведомости
Читать этот материал в источнике
Читать этот материал в источнике
Вожатого из Первоуральска обвинили в домогательствах к детям
Пятница, 22 ноября, 12.23
«Газпромнефть-Аэро» устроила екатеринбургским школьникам экскурсию по Кольцово
Пятница, 22 ноября, 12.03
Погубившим в пожаре двух человек супругам из Первоуральска вынесли приговор
Пятница, 22 ноября, 12.02