Тульский государственный университет, Тула, Россия:

А. Д. Гусев, аспирант кафедры физики металлов и материаловедения, эл. почта: dkines07@gmail.com
И. В. Тихонова, доцент кафедры физики металлов и материаловедения, канд. техн. наук, эл. почта: tivtihonova@yandex.ru

Я. А. Стаханова, магистрант кафедры физики металлов и материаловедения, эл. почта: yana.stakhanova@mail.ru

Установлена принципиальная возможность применения нейронных сетей для исследования области вблизи поверхности раскроя стальных листов углеродистых и легированных сталей, а также прогнозирования изменения микротвердости зоны термического влияния листов после лазерной резки (ЛР) по различным режимам. Объектом исследования являются углеродистые и низколегированные стали, содержащие недорогие недефицитные элементы: Сталь 35, Сталь 45, У8А, 65Г, 40Х, 60С2ХА,09Г2С,30ХГСА и 20Х13. Массив экспериментально полученных значений микротвердости стальных листов разделен нейросетью на три выборки: обучающую, тестовую и контрольную в соотношении 50:25:25 % данных. После завершения обучения нейронной сетью проведена оценка точности воспроизведения экспериментальных значений, которая составила 95, 91 и 91 % для трех выборок соответственно. На языке программирования Pure Basic разработана программа, обладающая всеми возможностями полученной нейронной сети и позволяющая прогнозировать значения микротвердости после лазерной резки для различных сталей с точностью порядка 90 % автономно от блока STATISTICA Neural Networks. Дальнейшее развитие полученного модуля позволит получать предварительные данные о микротвердости после любых режимов лазерной резки углеродистых и низколегированных сталей и предоставит возможность адаптировать модуль под цветные металлы.

1. Усатая Т. В., Дерябина Л. В., Курзаева Л. В., Усатый Д. Ю. Применение VR/AR-технологий при проектировании металлургического оборудования // Черные металлы. 2020. № 9. С. 56–61.
2. Marchand D., Abhinav J., Glensk A., Curtin W. A. Machine learning for metallurgy I. A neural-network potential for Al-Cu // Physical review materials. 2020. Vol. 4. No. 10. P. 1–21. DOI: 10.1103/PhysRevMaterials.4.103601.
3. Stricker M., Binglun Y., Mak E., Curtin W. A. Machine learning for metallurgy II. A neural-network potential for magnesium // Physical review materials. 2020. Vol. 4, Iss. 10. P. 1–20. DOI: 10.1103/PhysRevMaterials.4.103602.
4. Abhinav J., Marchand D., Glensk A., Ceriotti M., Curtin W. A. Machine learning for metallurgy III: A neural network potential for Al-Mg-Si // Physical review materials. 2021. Vol. 5. No. 5. P. 1–18. DOI: 10.1103/PhysRevMaterials.5.053805.
5. Dragoni D., Daff T. D., Gάbor C., Marzari N. Achieving DFT accuracy with a machine-learning interatomic potential: thermomechanics and defects in bcc ferromagnetic iron // Physical review materials. 2018. Vol. 2. No. 1. P. 1–16. DOI: 10.1103/PhysRevMaterials.2.013808.
6. Сергеев Н. Н., Минаев И. В., Гвоздев А. Е. и др. Влияние содержания углерода и параметров лазерной резки на строение и протяженность зоны термического влияния стальных листов // Сталь. 2018. № 5. С. 21–25.
7. Минаев И. В. Особенности формирования структуры и свойств углеродистых конструкционных и инструментальных сталей при газолазерной резке : дис. … канд. тех. наук. — Тула : Тульский государственный педагогический университет им. Л. Н. Толстого, 2021. — 352 с.
8. Jebarri N., Jebari M. M., Saadallah F., Tarrats-Saugnac A., Bennaceur R., Longuemard J. P. Thermal affected zone obtained in machining steel XC42 by high-power continuous CO₂ laser // Optics and Laser Techonology. 2007. Vol. 40. P. 864–873. DOI: 10.1016/j.optlastec.2007.11.006.
9. Boujelbene M., Alghamdi A. S., Miraoui I., Bayraktar E., Gazbar M. Effects of the laser cutting parameters on the micro-hardness and on the heat affected zone of the mi-hardened steel // International Journal of Advanced and Applied Sciences. 2017. Vol. 4. No. 5. P. 19–25. DOI: 10.21833/ijaas.2017.05.003.
10. Parthiban A., Chandrasekaran M., Muthuraman V., Sathish S. Optimization of CO2 laser cutting of stainless steel sheet curved profile // Materials Today: Proceedings. 2018. Vol. 5. P. 14531–14538. DOI: 10.1016/j.matpr.2018.03.042.
11. Gadrakhmanov A. T., Israphilov I. H., Shafigullin L. N., Gabdrakhmanova T. F. Study of laser cutting of low-alloy steel with using various gases // Journal of Physics. 2019. Vol. 1328. P. 012015. DOI: 10.1088/1742-6596/1328/1/012015.
12. Сергеев Н. Н., Сергеев А. Н., Гвоздев А. Е. и др. Комплекс научно-технических, проектно-конструкторских и технологических разработок по созданию, изготовлению и внедрению высокоточного импортозамещающего оборудования качественной лазерной и газопламенной обработки листового проката : монография. — Тула : Издательство Тульского государственного унивесритета, 2014. — 188 с.
13. Сергеев Н. Н., Минаев И. В., Гвоздев А. Е. и др. Методология выбора режимов лазерной резки листов из конструкционных сталей для обеспечения требуемого комплекса показателей качества поверхности // Материаловедение. 2019. № 10. С. 25–32.