Пошук академічних текстів

Інформація × Реєстраційний номер 0826U000790, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту Статус Запланована Назва роботи Методи машинного навчання для моделювання функціональних властивостей та довговічності сплавів Здобувач Демчик Владислав Іванович Іванович, Керівник Ясній Олег Петрович Опонент Грицюк Юрій Іванович Опонент Водка Олексій Тетяна Олександрович Рецензент Коноваленко Ігор Володимирович Рецензент Федак Сергій Ігнатович Опис Стрімкий розвиток інформаційних технологій спричинив експоненційне зростання даних, що потребують сучасних методів аналізу. Експериментальні дослідження у механіці деформівного твердого тіла, фізиці та матеріалознавстві є фінансово затратними й тривалими, тому використання машинного навчання на основі масивів даних постає ефективною альтернативою. Особливий інтерес становлять сплави з пам’яттю форми (СПФ), які поєднують ефект пам’яті та псевдопружність, зумовлені аустенітно-мартенситним перетворенням. Їхні функціональні властивості — відновлення, псевдопружність, демпфування — широко застосовують у промисловості, медицині та побуті. СПФ характеризуються фазовими перетвореннями, термічним гістерезисом, високою міцністю (NiTi понад 1200 МПа), корозійною стійкістю, біосумісністю та специфічною втомною поведінкою. Аналіз сучасних робіт показав, що прогнозування функціональних характеристик і довговічності СПФ недостатньо досліджене, що визначає актуальність застосування алгоритмів машинного навчання з учителем. У першому розділі дисертації розглянуто властивості СПФ та їхні застосування. У другому — методику прогнозування функціональних характеристик із використанням Orange, попередньої обробки даних (нормалізація у [0,1]) та аугментації (кубічні сплайни, інтерполяція Акіма, makima). Побудовано блок-схему прогнозування та описано методи kNN, SVM, Random Forest, Gradient Boosting, AdaBoost, нейронні мережі. У третьому розділі змодельовано регресійні залежності залишкових деформацій та розсіянної енергії для зразків. Найкращі результати показали kNN, AdaBoost, Gradient Boosting і Random Forest. Для NiTi СПФ змодельовано розмах енергії, напружень та деформацій, проведено крос-валідацію, отримано похибки та коефіцієнти детермінації. Найточнішим виявився метод kNN. Запропоновано модель прогнозування втомної довговічності титанових сплавів на основі багатошарового персептрона. Вона точно відтворює довжину втомної тріщини (помилка ≤0,4 %), адаптується до різних умов навантаження та не схильна до перенавчання. Це дозволяє оцінювати залишковий ресурс матеріалу й приймати рішення щодо експлуатації. Побудовано математичну модель опису петель гістерезису методом найменших квадратів, яка добре узгоджується з експериментальними даними. Додатково змодельовано розсіяну енергію NiTi СПФ з урахуванням частоти циклу навантаження (0,1–10 Гц). Для збільшення набору даних застосовано інтерполяцію makima. Серед методів найкраще себе показали ансамблеві AdaBoost (MAPE = 0,074) та Random Forest (MAPE = 0,144), тоді як Gradient Boosting і Neural Network мали більші похибки. Таким чином, використання машинного навчання з учителем для моделювання властивостей СПФ забезпечує високу точність прогнозування, дозволяє поєднувати традиційні моделі механіки руйнування з інтелектуальними алгоритмами та зменшує залежність від експериментальних даних. Це відкриває перспективи для ефективного аналізу й практичного застосування СПФ у різних галузях. Дата реєстрації 2026-04-02 Додано в НРАТ 2026-04-02 Закрити