Розроблення методу машинного навчання для ідентифікації властивостей порошків титанових сплавів у адитивних технологіях
DOI:
https://doi.org/10.15587/1729-4061.2018.134319Ключові слова:
порошки титанових сплавів, мікроструктура, морфологія, гранулометричний склад, адитивні технології, методи штучного інтелектуАнотація
На основі експериментально встановлених даних щодо параметрів мікроструктури, елементного та фракційного складу порошків титанових сплавів виділено чотири класи їх відповідності як вихідної сировини для адитивних технологій – матеріал з відмінними властивостями, оптимальними властивостями, в матеріалі можливі дефекти і бракований матеріал. Встановлено основні характеристики матеріалу, які визначають його приналежність до певного класу. Для реалізації процедур машинного навчання побудовано навчальну та тестову вибірки на основі 20 ознак, які характеризують кожен з чотирьох класів порошків титанових сплавів. Описано розроблений метод ідентифікації класу матеріалу, який базується на сумісному використанні поліному Колмогорова-Габора другого степеня та алгоритмі Випадкового лісу. На основі точності роботи в режимах навчання та застосування проведено експериментальне порівняння результатів роботи розробленого методу з результатами роботи існуючих методів: Випадкового лісу, Логістичної регресії та Машини опорних векторів. Наведено візуалізацію результатів роботи усіх досліджених методів.
Розроблений метод керованого навчання дозволяє будувати моделі опрацювання великої кількості ознак кожного вхідного вектора. При цьому алгоритмом Випадкового лісу забезпечуються задовільні генералізуючі властивості при збереженні переваг додаткового підвищення точності на основі полінома Колмогорова-Габора.
Експериментально встановлено основні переваги розробленого методу, зокрема щодо додаткового підвищення точності розв’язання задачі класифікації. Розроблений метод дозволяє підвищити точність моделювання на 34,38; 33,34 та 3,13 % порівняно з методами: Машина опорних векторів, Логістична регресія та Випадковий ліс відповідно.
Отримані результати дозволяють значно скоротити фінансові та часові витрати під час виготовлення виробів методами адитивних технологій. Застосування інструментарію штучного інтелекту дозволяє зменшити трудомісткість та енерговитратність експериментів з визначення оптимальних характеристик порошкових матеріалів
Посилання
- Duriagina, Z. A., Kovbasyuk, T. M., Bespalov, S. A. (2016). The Analysis of Competitive Methods of Improvement of Operational Properties of Functional Layers of Flat Heating Elements. Uspehi Fiziki Metallov, 17 (1), 29–51. doi: 10.15407/ufm.17.01.029
- Pidkova, V. (2015). Structure and properties of Mg, Al, Ti oxide and nitride layers formed by ion-plasma sputtering. Functional Materials, 22 (1), 34–39. doi: 10.15407/fm22.01.034
- Duryagina, Z. A., Bespalov, S. A., Borysyuk, A. K. Pidkova, V. Ya. (2011). Magnetometric analysis of surface layers of 12Х18Н10Т steel after ion-beam nitriding. Metallofizika i Noveishie Tekhnologii, 33 (5), 615–622.
- Ostash, O. P., Andreiko, I. M., Kulyk, V. V., Babachenko, O. I., Vira, V. V. (2009). Influence of the mode of thermal treatment and load ratio on the cyclic crack-growth resistance of wheel steels. Materials Science, 45 (2), 211–219. doi: 10.1007/s11003-009-9177-4
- Ostash, O. P., Andreiko, I. M., Kulyk, V. V., Vavrukh, V. I. (2013). Influence of braking on the microstructure and mechanical behavior of railroad wheel steels. Materials Science, 48 (5), 569–574. doi: 10.1007/s11003-013-9539-9
- Ostash, O. P., Anofriev, V. H., Andreiko, I. M., Muradyan, L. A., Kulyk, V. V. (2013). On the concept of selection of steels for high-strength railroad wheels. Materials Science, 48 (6), 697–703. doi: 10.1007/s11003-013-9557-7
- Ostash, O. P., Kulyk, V. V., Poznyakov, V. D., Haivorons’kyi, O. A., Markashova, L. I., Vira, V. V. et. al. (2017). Fatigue crack growth resistance of welded joints simulating the weld-repaired railway wheels metal. Archives of Materials Science and Engineering, 2 (86), 49–52. doi: 10.5604/01.3001.0010.4885
- Mueller, T., Kusne, A. G., Ramprasad, R. (2016). Machine Learning in Materials Science. Reviews in Computational Chemistry, 186–273. doi: 10.1002/9781119148739.ch4
- Tsmots, I., Teslyuk, V., Teslyuk, T., Ihnatyev, I. (2017). Basic Components of Neuronetworks with Parallel Vertical Group Data Real-Time Processing. Advances in Intelligent Systems and Computing, 558–576. doi: 10.1007/978-3-319-70581-1_39
- Duriagina, Z. A., Tkachenko, R. O., Trostianchyn, A. M., Lemishka, I. A., Kovalchuk, A. M., Kulyk, V. V., Kovbasyuk, T. M. (2018). Determination of the best microstructure and titanium alloy powders properties using neural network. Journal of Achievements in Materials and Manufacturing Engineering, 87 (1), 25–31. doi: 10.5604/01.3001.0012.0736
- Tkachenko, R., Doroshenko, A., Izonin, I., Tsymbal, Y., Havrysh, B. (2018). Imbalance Data Classification via Neural-Like Structures of Geometric Transformations Model: Local and Global Approaches. Advances in Computer Science for Engineering and Education, 112–122. doi: 10.1007/978-3-319-91008-6_12
- Narushynska, O., Teslyuk, V., Vovchuk, B.-D. (2017). Search model of customer's optimal route in the store based on algorithm of machine learning A. 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). doi: 10.1109/stc-csit.2017.8098787
- Shakhovska, N. B., Noha, R. Y. (2015). Methods and Tools for Text Analysis of Publications to Study the Functioning of Scientific Schools. Journal of Automation and Information Sciences, 47 (12), 29–43. doi: 10.1615/jautomatinfscien.v47.i12.30
- Rajan, K. (2005). Materials informatics. Materials Today, 8 (10), 38–45. doi: 10.1016/s1369-7021(05)71123-8
- Xu, J., Zhu, L., Fang, D., Liu, L., Xu, W., Li, Z. (2012). Prediction of glass transition temperatures for polystyrenes from cyclic dimer structures using artificial neural networks. Fibers and Polymers, 13 (3), 352–357. doi: 10.1007/s12221-012-0352-0
- Raccuglia, P., Elbert, K. C., Adler, P. D. F., Falk, C., Wenny, M. B., Mollo, A. et. al. (2016). Machine-learning-assisted materials discovery using failed experiments. Nature, 533 (7601), 73–76. doi: 10.1038/nature17439
- Fernandez, M., Boyd, P. G., Daff, T. D., Aghaji, M. Z., Woo, T. K. (2014). Rapid and Accurate Machine Learning Recognition of High Performing Metal Organic Frameworks for CO2 Capture. The Journal of Physical Chemistry Letters, 5 (17), 3056–3060. doi: 10.1021/jz501331m
- Zlenko, M., Popovich, A., Mutylina, I. (2013). Additivnye tekhnologii v mashinostroenii. Sankt-Peterburg, 221.
- Haznaferov, M. V., Ovchinnikov, A. V., Yanko, T. B. (2015). Tekhnologiya polucheniya «low-cost» poroshkov legirovannogo titana dlya additivnyh processov. Titan, 2, 31–36.
- Duriahina, Z. A., Trostianchyn, A. M., Lemishka, I. A., Skrebtsov, A. A., Ovchynnykov, O. V. (2017). Hranulometrychni kharakterystyky poroshku tytanovoho splavu VT20 otrymanoho metodom vidtsentrovoho plazmovoho rozpylennia elektrodu. Metaloznavstvo ta obrobka metaliv, 1, 45–51.
- Duriagina, Z., Trostyanchyn, A., Lemishka, I., Skrebtsov, A., Ovchinnikov, O. (2017). The influence of chemical-thermal treatment on granulometric characteristics of titanium sponge powder. Ukrainian Journal of Mechanical Engineering and Materials Science, 3 (1), 73–80.
- Ovchinnikov, A. V., Ol'shaneckiy, V. E., Dzhugan, A. A. (2015). Primenenie nesfericheskih gidrirovanyh i degidrirovanyh poroshkov titana dlya polucheniya izdeliy v additivnyh tekhnologiyah. Vestnik dvigatelestroeniya, 1, 114–117.
- Petrik, I. A., Ovchinnikov, A. V., Seliverstov, A. G. (2015). Razrabotka poroshkov titanovyh splavov dlya additivnyh tekhnologiy primenitel'no k detalyam GTD. Aviacionno-kosmicheskaya tekhnika i tekhnologiya, 8, 11–16.
- Broeke, J., Perez, J. M. M., Pascau, J. (2015). Image Processing with ImageJ. Packt Publishing, 256.
- Gavrilova, N. N., Nazarov, V. V., Yarovaya, O. V. (2012). Mikroskopicheskie metody opredeleniya razmerov chastic dispersnyh materialov. Moscow, 52.
- Shanyavskiy, A. A., Banov, M. D., Zakharova, T. P. (2010). Principles of physical mesomechanics of nanostructural fatigue of metals. I. Model of subsurface fatigue crack nucleation in VT3-1 titanium alloy. Physical Mesomechanics, 13 (3-4), 133–142. doi: 10.1016/j.physme.2010.07.004
- Model' Random Forest dlya klassifikacii, realizaciya na c#. Available at: https://habr.com/post/215453
- Random Forest: progulki po zimnemu lesu. Available at: https://habr.com/post/320726
- Oleg, R., Yurii, K., Oleksandr, P., Bohdan, B. (2017). Information technologies of optimization of structures of the systems are on the basis of combinatorics methods. 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). doi: 10.1109/stc-csit.2017.8098776
- Jordan, M. I., Jacobs, R. A. (1994). Hierarchical Mixtures of Experts and the EM Algorithm. Neural Computation, 6 (2), 181–214. doi: 10.1162/neco.1994.6.2.181
- Dronyuk, I., Fedevych, O., Poplavska, Z. (2017). The generalized shift operator and non-harmonic signal analysis. 2017 14th International Conference The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM). doi: 10.1109/cadsm.2017.7916092
- Qian, M., Froes, F. H. (Eds.) (2015). Titanium Powder Metallurgy: Science, Technology and Applications. Butterworth-Heinemann, 628. doi: 10.1016/c2013-0-13619-7
- Leyens, C., Peters, M. (Eds.) (2003). Titanium and Titanium Alloys: Fundamentals and Applications. Wiley‐VCH Verlag GmbH & Co. KGaA, 532. doi: 10.1002/3527602119
- Data Mining Fruitful and Fun. Available at: https://orange.biolab.si
- The Python Standard Library. Available at: https://docs.python.org/3/library/index.html
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2018 Roman Tkachenko, Zoia Duriagina, Ihor Lemishka, Ivan Izonin, Andriy Trostianchyn
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
