Registration Number
0826U002973, PhD dissertation
Status
Доктор філософії
Date
26-08-2026
popup.evolution
o
Title
Methods and models of machine learning for predicting the hysteresis behavior of shape memory alloys
Author
Dmytro Tymoshchuk,
popup.head Oleh Yasnii
popup.opponent Oleksii Vodka
popup.opponent Yurii Hrytsiuk
popup.review Ihor Konovalenko
popup.review Vasyl Yatsyshyn
popup.rada
Ternopil Ivan Puluj National Technical University
Description
Дисертація стосується розв’язання науково-практичної задачі побудови, оцінювання та порівняльного аналізу моделей машинного навчання для прогнозування гістерезисної поведінки сплавів з пам’яттю форми за умов циклічного навантаження, а також інтерпретації отриманих прогнозів засобами пояснюваного штучного інтелекту.
Актуальність дослідження зумовлена широким застосуванням сплавів з пам’яттю форми в сучасних технічних системах, де важливими є висока точність прогнозування деформації, оцінювання впливу функціональної втоми, скорочення обсягу дорогих і тривалих експериментальних досліджень та забезпечення фізично обґрунтованої інтерпретації результатів моделювання. Особливу складність становить прогнозування еволюції гістерезисних петель на циклах навантаження, що виходять за межі навчального діапазону, оскільки залежність між напруженням і деформацією має нелінійний характер і залежить від історії навантаження, частоти та накопичення втомних ефектів.
У вступі обґрунтовано актуальність теми дисертації, сформульовано мету та завдання роботи, визначено об’єкт, предмет і методи дослідження, розкрито наукову новизну та практичне значення одержаних результатів, наведено відомості про їх апробацію, практичне використання та висвітлення в наукових публікаціях.
У першому розділі виконано аналіз предметної області. Розглянуто фізичні основи гістерезисної поведінки сплавів з пам’яттю форми, природу ефекту пам’яті форми та надпружності, особливості формування гістерезисних петель у координатах «напруження–деформація», а також вплив частоти навантаження, кількості циклів і фазових перетворень. Проаналізовано сучасні дослідження щодо застосування методів машинного навчання для прогнозування властивостей SMA та методів пояснюваного штучного інтелекту для інтерпретації результатів. Обґрунтовано доцільність використання машинного навчання для екстраполяційного прогнозування гістерезисної поведінки сплавів з пам’яттю форми.
У другому розділі описано експериментальний набір даних, отриманий під час випробувань NiTi-дроту з пам’яттю форми на малоциклову втому за різних частот циклічного навантаження. Запропоновано математичну модель прогнозування деформації SMA з урахуванням номера циклу як незалежної вхідної змінної, що дало змогу відокремити прогнозування в межах навчального діапазону від екстраполяційного режиму. Вхідними змінними визначено напруження, номер циклу навантаження-розвантаження та індикатор фази циклу, а вихідною змінною — прогнозоване значення деформації. Розглянуто ансамблеві моделі VotingRegressor і StackingRegressor, рекурентні нейронні мережі SimpleRNN, LSTM, GRU та темпоральну згорткову мережу TCN. Запропоновано стратегію групового розбиття та валідації даних за номером циклу, а також описано структуру програмної системи дослідження.
У третьому розділі наведено результати попередньої обробки експериментальних даних, статистичного аналізу вхідних ознак і цільової змінної та виявлення аномальних значень. Подано результати навчання й оцінювання моделей у межах навчального діапазону циклів 100–250. Для ансамблевих моделей виконано налаштування гіперпараметрів методом GridSearchCV, а для нейромережевих архітектур — методом Hyperband. Проведено порівняльний аналіз точності моделей за метриками MSE, MAE, MAPE та R². Встановлено, що побудовані моделі забезпечують високу точність прогнозування в межах навчального діапазону та здатні відтворювати залежність «напруження–деформація» і форму гістерезисних петель.
У четвертому розділі представлено результати екстраполяційного прогнозування гістерезисної поведінки сплавів з пам’яттю форми на віддалених циклах навантаження. Досліджено узагальнювальну здатність моделей на циклах 251, 260, 300, 350, 400, 450 та 500. Встановлено, що найкращі результати у задачі довгострокового прогнозування забезпечує модель LSTM. Для інтерпретації прогнозів застосовано методи SHAP та Integrated Gradients. Показано, що домінуючий вплив на прогнозоване значення деформації має параметр напруження, тоді як внесок номера циклу зростає зі збільшенням тривалості циклічного навантаження, що узгоджується з накопиченням ефектів функціональної втоми. Отримані результати підтверджують фізичну узгодженість побудованих моделей і їх практичну придатність для прогнозування гістерезисної поведінки сплавів з пам’яттю форми.
Registration Date
2026-06-30
popup.nrat_date
2026-06-30 / 2026-10-20
