Тульский государственный университет, Тула, Россия

А. Д. Гусев, аспирант кафедры машиностроения и материаловедения, эл. почта: dkines07@gmail.com
Г. В. Маркова, профессор кафедры машиностроения и материаловедения, докт. техн. наук, эл. почта: galv.mark@rambler.ru

Модули упругости (МУ) металлов и сплавов являются характеристиками, используемыми при расчетах на прочность любых изделий. Многие детали и узлы машин и механизмов работают при температурах выше комнатных, поэтому необходимо иметь представление о температурных зависимостях модулей упругости (ТЗМУ). В строительной сфере для элементов различных гражданских конструкций из алюминиевых сплавов информация о величине МУ становится критически важной для расчета несущей способности в случае воздействия повышенных температур. Однако не для всех алюминиевых сплавов приведены данные о МУ при высоких температурах или представлены расчетные модели ТЗМУ, а те, которые имеются в справочной литературе, не всегда подтверждены экспериментальными данными. В связи с этим требуется корректировка моделей под отдельно взятые сплавы. Установлена принципиальная возможность применения нейронных сетей для прогнозирования модулей упругости алюминиевых сплавов в интервале температур от 20 до 400 оC. Исследованы деформируемые алюминиевые сплавы 20 отечественных марок и зарубежных марок серии 5ххх и 6ххх. Массив значений МУ алюминиевых сплавов при разных температурах разделен нейросетью на три выборки: обучающую, тестовую и контрольную в соотношениях 50–25–25 % общего объема данных. После завершения обучения нейронной сетью проведена оценка точности воспроизведения значений МУ, которая составила 88, 85 и 90 % для трех изучаемых выборок. Оценку полученной прогнозной нейросетевой модели проводили на алюминиевых сплавах 6061 и 5083, которые не входили в обучающую выборку. Вид полученной модели — «многослойный перцептрон». Средняя точность прогноза нейросетевой модели составила более 90 %.

1. Драпкин Б. М., Кононенко В. К., Безъязычный В. Ф. Свойства сплавов в экстремальном состоянии. — М. : Машиностроение, 2004. — 256 с.
2. Войтенко А. Ф., Скрипник Ю. Д., Соловьев Н. Г. и др. Влияние уровня напряжений на статический модуль Юнга ряда конструкционных материалов // Проблемы прочности. 1982. № 11. С. 83–85.
3. Головин С. А., Пушкар А., Левин Д. М. Упругие и демпфирующие свойства конструкционных металлических материалов. — М. : Металлургия, 1987. — 192 с.
4. Keränen L., Kangaspuoskari M., Niskanen J. Ultrahighstrength steels at elevated temperatures // Journal of Constructional Steel Research. 2021. Vol. 183. 106739. DOI: 10.1016/j.jcsr.2021.106739
5. Maraveas C., Fasoulakis Z., Tsavdaridis K. Mechanical properties of high and very high steel at elevated temperatures and after cooling down // Fire Science Reviews. 2017. Vol. 6, Iss. 3. P. 1–13. DOI: 10.1186/s40038-017-0017-6
6. Winful D., Cashell K. A., Afshan S., Barnes A. M., Pargeter R. J. Elevated temperature material behavior of high strength steel // Structures and Buildings. 2017. Vol. 170, Iss. 11. P. 777–787. DOI: 10.1680/jstbu.16.00213
7. Wei-young Wang, Bing Liu, Venkatesh Kodur. Effect of temperature on strength and elastic modulus of high-strength steel // Journal of Materials in Civil Engineering. 2013. Vol. 25, Iss. 2. P. 174–182. DOI: 10.1061/(ASCE)MT.1943-5533.0000600
8. British Standards Institution. Eurocode 3: Design of steel structures. — Part 1–2: General rules — Structural fire design. — London : BSI, 2005. — 78 p.
9. European Committee for Standardization. Eurocode 9: Design of aluminum structures – Part 1–2: Structural fire design. — Brussels, 2009. — 58 p.
10. Aluminum Association. Aluminum Design Manual (ADM). Washington, DC. 2020. — 536 p.
11. Aluminum Association. Aluminum standards and data. Washington, DC. 2017. — 236 p.
12. Бабичев А. П., Бабушкина Н. А., Братковский А. М. и др. Физические величины: справочник / под. ред. И. С. Григорьева, Е. З. Мейлихова. — М. : Энергоатомиздат, 1991. — 1232 с.
13. ГСССД 145-89. Деформируемые алюминиевые сплавы АМг6, Д16, В95, В96Ц-1. Упругие свойства. Модуль нормальной упругости при температурах от –80 до 300 ^оC. — Москва : Издательство стандартов, 1988. — 6 с.
14. Shinkin V. N. Simple analytical dependence of elastic modulus on high temperatures for some steels and alloys // CIS Iron and Steel Review. 2018. Vol. 15. P. 32–38.
15. Бадамшин И. Х. От четырех к одному. Силы внутри атомного взаимодействия и прочность материалов: монография. — 2-е изд., перераб. и доп. — М. : Издательский дом Академии Естествознания, 2016. — 134 с.
16. Mei-Ni Su, Ben Young. Material properties of normal and high strength aluminium alloys at elevated temperatures // Thin-Walled Structures. 2019. Vol. 137. P. 463–471. DOI: 10.1016/j.tws.2019.01.012
17. Summers P. T., Chen Y., Rippe C. M., Mouritz A. P. et al. Over-view of aluminum alloy mechanical properties during and after fires // Fire Science Reviews. 2015. Vol. 4. P. 1–36. DOI: 10.1186/s40038-015-0007-5
18. Mei-Ni Su, Ben Young. Mechanical properties of high strength aluminium alloy at elevated temperatures // Ce/papers. 2017. Vol. 1. P. 2831–2839. DOI: 10.1002/cepa.334
19. Нгуен С. З., Гамин Ю. В., Акопян Т. К. Анализ темпе ратуры и напряженно-деформированного состояния сплава 01570 при радиально-сдвиговой прокатке мето дом моделирования // Цветные металлы. 2024. № 4. С. 84–91.
20. Lisyatnikov M. S., Roshchina S. I., Prusov E. S., Deev V. B. Enhancing the efficiency of using deformable aluminum alloys in composite constructions // Non-ferrous Metals. 2024. № 2. P. 24–30.
21. Севидов А. Е., Мунтин А. В., Колесников А. Г. Моделирование механического износа рабочих валков широкополосного стана горячей прокатки методами машинного обучения // Черные металлы. 2022. № 11. С. 22–27.
22. Бажин В. Ю., Косовцева Т. Р., Музипов А. З. Цифровая модель конвертера с регулируемыми водоохлаждаемыми фурмами // Цветные металлы. 2023. № 4. С. 31–37.
23. Бажин В. Ю., Горленков Д. В., Суслов А. П., Горшкова О. А. Оценка состояния монет: современные методы исследования и создание цифровой базы данных // Цветные металлы. 2023. № 4. С. 102–108.
24. Shaik N. B., Pedapati S. R., Othman A. R., Bingi K. et al. An intelligent model to predict the life condition of crude oil pipelines using artificial neural networks // Neural Computing and Appli cations. 2021. Vol. 33. P. 14771–14792. DOI: 10.1007/s00521-021-06116-1

25. Пучков А. Ю., Соколов А. М., Федотов В. В. Нейросетевой метод анализа процессов термической обработки окомко ванного фосфатного рудного сырья // Прикладная информа тика. 2022. Т. 17. № 5. С. 62–76. DOI: 10.37791/2687-0649-2022-17-5-62-76
26. Добрышкин А. Ю., Сысоев О. Е., Сысоев Е. О. Экспериментальное исследование влияния воздействия температурного режима на модуль Юнга // Труды МАИ. 2020. № 115. DOI: 10.34759/trd-2020-115-02