Формування підходу до багатоцільового прогнозування механічних властивостей алюмінієвих сплавів на основі інтегрованого ознакового простору
Дата видачі
2026
редактор(и)
Брежнєв К. М.
Сазанішвілі З. В.
Анотація
У роботі розглянуто проблему прогнозування механічних властивостей деформівних алюмінієвих сплавів – межі текучості, тимчасового опору розриву та відносного подовження – на основі хімічного складу, технологічних і мікроструктурних параметрів із застосуванням нейронних мереж. Узагальнено закономірності формування механічних властивостей за основними серіями сплавів. Показано обмеженість традиційних аналітичних і напівемпіричних підходів у задачах із одночасним варіюванням кількох взаємодіючих факторів. Проаналізовано сучасний стан нейромережевих моделей прогнозування для Al-сплавів; виявлено принципову прогалину – відсутність моделі, яка поєднує хімічні, технологічніта мікроструктурні ознаки в єдиному ознаковому просторі прибагатоцільовому прогнозі з кількісним SHAP-аналізом пояснюваності. Сформульовано мету та наукові завдання дослідження.
The paper addresses the problem of predicting the mechanical properties of wrought aluminum alloys – yield strength, ultimate tensile strength and elongation – based on chemical composition, technological and microstructural parameters using neural networks. The regularities governing mechanical property formation across the main alloy series are summarized. The limitations of traditional analytical and semi-empirical approaches are demonstrated for tasks involving simultaneous variation of several interacting factors. The current state of neural network prediction models for Al alloys is analysed; a principal gap is identified – the absence of a model combining chemical, technological and microstructural features in a unified feature space for multi-target prediction with quantitative SHAP explainability. The goal and research objectives of the study are formulated.
The paper addresses the problem of predicting the mechanical properties of wrought aluminum alloys – yield strength, ultimate tensile strength and elongation – based on chemical composition, technological and microstructural parameters using neural networks. The regularities governing mechanical property formation across the main alloy series are summarized. The limitations of traditional analytical and semi-empirical approaches are demonstrated for tasks involving simultaneous variation of several interacting factors. The current state of neural network prediction models for Al alloys is analysed; a principal gap is identified – the absence of a model combining chemical, technological and microstructural features in a unified feature space for multi-target prediction with quantitative SHAP explainability. The goal and research objectives of the study are formulated.
Файл(и)![Ескіз]()
Вантажиться...
Ім'я
ITPTIT2026-246-253.pdf
Розмір
500.18 KB
Формат
Adobe PDF
Контрольна сума
(MD5):4787e74374e32ed1b3626ce394e2d966