Прогнозирование механических свойств и устойчивости структуры металлических систем на основе искусственного интеллекта и фрактального анализа

Предложена комплексная методология прогнозирования механических свойств и оценки структурной устойчивости металлических систем на основе синтеза фрактального анализа микроструктуры и методов искусственного интеллекта. Используя обширную базу экспериментальных данных по микроструктуре углеродистых сталей (включая стали марок 20, У8, У10А и др.), полученных с применением оптической и электронной микроскопии, разработано и апробировано программное обеспечение для автоматизированного расчета фрактальной размерности Df цифровых изображений микроструктур. Показано, что параметр Df коррелирует с такими характеристиками, как содержание углерода, вид термообработки, средний размер зерна и степень структурной неоднородности, что позволяет использовать его в качестве чувствительного индикатора изменений, связанных с фазовыми превращениями и процессами разупрочнения. На основе этих данных обучена нейронная сеть, способная по входному изображению микроструктуры предсказывать фрактальную размерность, средний размер зерна и модуль сдвига. Установлено, что у структурно устойчивых состояний (например, после отпуска) значения Df меньше, чем у метастабильных (например, закаленных) структур. Предложенный подход демонстрирует высокий потенциал для применения в цифровом материаловедении, в том числе для автоматизированного контроля качества металлов, диагностики обезуглероженных слоев и разработки новых материалов с заданными свойствами.
EDN: VDUDBT, https://elibrary/vdudbt

Литература

[1] Гуляев А.П. Металловедение. Москва, Металлургия, 1986. 544 с.

[2] Потапов А.А. Новейшие методы обработки изображений. Москва, Физматлит, 2008. 496 с.

[3] Уэлстид С. Фракталы и вейвлеты для сжатия изображений в действии. Москва, Изд-во Триумф, 2003. 320 с.

[4] Мандельброт Б.Б. Фрактальная геометрия природы. Москва, ИКИ, 2002. 656 с.

[5] Бондарь А.С., Стрельцова О.В., Чмиленко Ф.В. Исследование предсказания свойств сталей с помощью искусственных нейронных сетей. Наука и инновации в технических университетах. Мат. 13 Всерос. форума студентов, аспирантов и молодых ученых. Санкт-Петербург, СПбПУ, 2019, с. 5–7.

[6] Емельянов В.А., Феклин Г.В., Емельянова Н.Ю. Применение технологий искусственного интеллекта для оценки качества металлов на производстве. Нейрокомпьютеры: разработка, применение, 2022, т. 24, № 5, с. 28–35, doi: https://doi.org/10.18127/j19998554-202205-03

[7] Ковун В.А., Каширина И.Л. Использование нейронных сетей U-Net и W-Net в металлографическом анализе образцов стали. Вестник ВГУ. Сер. Системный анализ и информационные технологии, 2022, № 1, с. 101?110, doi: https://doi.org/10.17308/sait.2022.1/9205

[8] Соболева Н.Н. Применение нейронных сетей для анализа микроструктуры металлов. Перспективные материалы, 2022, № 5, с. 34–41.

[9] Горбенко О.М., Фельштын М.Л., Усачев Д.Ю. и др. Автоматическое распознавание структур ферритно-перлитных сталей по изображениям, полученным методом атомно-силовой микроскопии. Научное приборостроение, 2012, т. 22, № 4, с. 62–71.

[10] Иванова В.С., Баланкин А.С., Бунин И.Ж. и др. Синергетика и фракталы в материаловедении. Москва, Наука, 1994. 383 с.

[11] Кабалдин Ю.Г. Введение в цифровое материаловедение. Нижний Новгород, НГТУ им. Р.Е. Алексеева, 2025. 226 с.

[12] Dai Q., Liu X., Ma X. et al. Research status and prospects of the fractal analy-sis of metal material surfaces and interfaces. Int J Miner Metall Mater., 2025, vol. 32, pp. 20–38, https://doi.org/10.1007/s12613-024-2961-1

[13] ГОСТ 34473–2018. Стали углеродистые и легированные. Методы определения микроструктуры. Москва, Стандартинформ, 2018. 24 с.

[14] ГОСТ 8233–56. Сталь. Эталоны микроструктуры. Москва, Изд-во стандартов, 2004. 13 с.

[15] Vadavadagi B.H., Bhujle H.V., Khatirkar R.K., Shekhawat S.K. Microstructural correlation with formability aspects of low carbon steels during deep drawing operations. Materials Characterization, 2021, vol. 178, art. 111267, doi: 10.1016/j.matchar.2021.111267