Открытый доступ
Платный доступ или доступ для подписчиков
Модель роста зерна аустенита в зоне термического влияния высокопрочных трубных сталей на основе машинного обучения
Аннотация
Разработана модель роста зерна аустенита в зоне термического влияния высокопрочных трубных сталей. Представлены результаты исследования кинетики роста зерна аустенита низкоуглеродистых марганцовистых сталей, микролегированных сильными карбонитридообразующими элементами. Экспериментально проверено качество прогнозирования моделей на основе искусственной нейронной сети и метода случайного леса. Проанализировано влияние микролегирующих элементов и углерода на размер зерна аустенита в околошовной зоне.
Ключевые слова
Литература
Colla V. A big step ahead in metal science and technology through the application of artificial intelligence // IFAC-Papers On Line. 2022. V. 55, Is. 21. P. 1 – 6. DOI: 10.1016/j.ifacol.2022.09.234
Isayev O., Tropsha A., Curtarolo S. Materials Informatics: Methods, Tools, and Applications. John Wiley & Sons: Hoboken. NJ, USA, 2019. 304 p.
Chong S. S., Ng Y. S., Wang H. Q. et al. Advances of machine learning in materials science: Ideas and techniques // Front. Phys. 2024. V. 19. 13501. DOI: 10.1007/s11467-023-1325-z
Mueller Tim, Kusne Aaron, Ramprasad Rampi. Machine Learning in Materials Science: Recent Progress and Emerging Applications. 2016. DOI: 10.1002/9781119148739.ch4
Центр НТИ “Цифровое материаловедение: новые материалы и вещества” [Электронный ресурс]. URL: https://nti.alternance.ru/ (дата обращения: 01.07.2025).
Центр компетенций НТИ “Цифровое материаловедение: новые материалы и вещества” [Электронный ресурс]. URL: https://nti2035.ru/technology/competence centers/ bmstu.php (дата обращения: 01.07.2025).
Программа “Цифровое материаловедение (ПИШ)” Университет МИСиС [Электронный ресурс]. URL: https://misis.ru/applicants/admission/magistracy/faculties/ materialsmagpish/model-materials/#details (дата обращения: 01.07.2025).
22.04.02 “Металлургия” направленность “Искусственный интеллект в металлургии” Восточно-Сибирский государственный университет технологий и управления [Электронный ресурс]. URL: https://esstu.ru/uportal/priem/ specialities/22.04.02.htm (дата обращения 01.07.2025).
Магистратура 22.04.01 “Индустрия композитов и цифровое материаловедение” МГТУ им. Н. Э. Баумана [Электронный ресурс]. URL: https://mag.emtc.ru/ (дата обращения 01.07.2025).
Ефименко Л. А., Прыгаев А. К., Елагина О. Ю. Металловедение и термическая обработка сварных соединений: учеб. пособие. М.: Логос, 2007. 456 с.
Матросов Ю. И., Литвиненко Д. А., Голованенко С. А. Сталь для магистральных газопроводов. М.: Металлургия, 1989. 288 с.
Эфрон Л. И. Металловедение в “большой” металлургии. Трубные стали. М.: Металлургиздат, 2012. 696 с.
Ефименко Л. А., Елагина О. Ю., Вышемирский Е. М. и др. Традиционные и перспективные стали для строительства магистральных газонефтепроводов. М.: Логос, 2011. 304 с.
Zener C. Theory of growth of spherical precipitates from solid solution // J. Appl Phys. 1949. V. 20. P. 950 – 953.
Пасынков А. Ю. Термодинамика и кинетика эволюции структуры и фазового состава низколегированных сталей при аустенитизации и горячей деформации: дис. ... канд. физ.-мат. наук: 01.04.07. Екатеринбурнг, 2019. 118 c.
Banerjee K., Militzer M., Perez M. et al. Nonisothermal austenite grain growth kinetics in a microalloyed X80l Linepipe steel // Metall. Mater. Trans. A. 2010. V. 41. P. 3161 – 3172.
Joonoh Moon, Jongbong Lee, Changhee Lee. Prediction for the austenite grain size in the presence of growing particles in the weld HAZ of Ti-microalloyed steel // Mater. Sci. Eng. A. 2007. V. 459, Is. 1 – 2. P. 40 – 46.
Хисматуллин М. Р., Ефименко Л. А., Рамусь А. А. Разработка модели структурообразования металла зоны термического влияния высокопрочных трубных сталей // Металлург. 2025. № 3. С. 71 – 76. DOI: 10.52351/ 00260827 2025 3 71
Junhyub Jeon, Namhyuk Seo, Jae-Gil Jung, Hee-Soo Kim. Prediction and mechanism explain of austenite-grain growth during reheating of alloy steel using XAI // J. Mater. Res. Technol. 2022. V. 21. P. 1408 – 1418. DOI: 10.1016/j.jmrt.2022
ГОСТ 5639–82. Стали и сплавы. Методы выявления и определения величины зерна. Введ. 01.01.1983. М.: Изд-во стандартов, 2003. 15 с.
Гиперпараметрический поиск и оптимизация моделей [Электронный ресурс] // Habr: сайт. 2023. URL: https:// habr.com/ru/companies/otus/articles/754402/ (дата обращения 01.07.2025).
Shap: SHAP (SHapley Additive exPlanations) documentation [Электроннй ресурс]. Режим доступа: https:// shap.readthedocs.io/en/latest/# (дата обращения: 03.07.2025).
Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Вильямс, 2017. 480 с.
DOI: https://doi.org/10.30906/mitom.2026.2.64-72
© Издательский дом «Фолиум», 1998–2026