Учёные Пермского Политеха создали программу для нейросетей, которая точно предсказывает показатель шероховатости поверхности сплава. От него зависят износ детали при трении и противостояние коррозии.

В последнее время машинное обучение широко применяется в производстве. Но для обучения моделей требуется много данных, сбор которых затруднён или стоит дорого. Особенно это касается сложных и высокоточных процессов, например, обработки титановых сплавов резанием.

Сплав используется в производстве двигателей для изготовления деталей воздухосборника, корпуса, лопаток и дисков компрессора.

Чтобы получить качественную поверхность этих деталей, нужно оптимизировать режимы резания. Для этого нужна информация о влиянии различных параметров на качество обработки. Нейросети предсказывают показатели шероховатости.

Аугментация — метод искусственного увеличения объёма данных — применяется, чтобы расширить обучающую выборку и уменьшить затраты на проведение экспериментов.

Учёные Пермского Политеха создали программу, которая решает проблему на основе исследования регрессионной модели аугментации.

Такие модели построены на ограниченном наборе информации и использовались для генерации дополнительных данных. Это позволило создать расширенную базу из 2000 примеров. Полученные результаты применили для обучения нейросетей, предсказывающих шероховатость поверхности сплава ВТ6, который распространён в авиации и ракетостроении.

Нейронные сети, обученные на расширенных данных, точно предсказывают результат — ошибка составляет всего 3,97% от фактических значений. Этот метод эффективен, если данных мало, — поясняет Вадим Данелян, аспирант кафедры вычислительной математики, механики и биомеханики, руководитель группы в ПНИПУ.

Андрей Клюев, кандидат физико-математических наук и доцент кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ:

Мы создали программу, которая подбирает режимы резания для титановых сплавов ВТ6 и может применяться для других сплавов и сталей.

Программа учёных Пермского Политеха позволяет точнее прогнозировать характеристики сплавов, в том числе показатель шероховатости, который влияет на срок износа деталей. Этот подход можно применять и к другим процессам обработки материалов в промышленности.

На разработку выдано свидетельство № 2024668654. Исследование проведено в рамках реализации программы стратегического академического лидерства «Приоритет-2030».