Моделирование изменения предела длительной прочности сплавов на основе никеля с использованием байесовских искусственных нейронных сетей

О.В. Аношина, А.С. Трубникова, О.Б. Мильдер, Д.А. Тарасов, А.А. Ганеев ORCID logo , А.Г. Тягунов показать трудоустройства и электронную почту
Получена 26 сентября 2019; Принята 20 декабря 2019;
Цитирование: О.В. Аношина, А.С. Трубникова, О.Б. Мильдер, Д.А. Тарасов, А.А. Ганеев, А.Г. Тягунов. Моделирование изменения предела длительной прочности сплавов на основе никеля с использованием байесовских искусственных нейронных сетей. Письма о материалах. 2020. Т.10. №1. С.106-111
BibTex   https://doi.org/10.22226/2410-3535-2020-1-106-111

Аннотация

Графики зависимостей жаропрочности от параметра Ларсона -Миллера имеют вид, характерный для всех исследованных сплавов, но для каждого плавочного состава существуют индивидуальные особенности. Расчетные и экспериментальные значения жаропрочности имеют удовлетворительную сходимость.Ресурсное проектирование газотурбинных двигателей и установок требует расширенных сведений о жаропрочности никелевых сплавов, из которых изготавливаются наиболее ответственные детали авиационных и судовых двигателей, насосов газонефтеперекачивающих станций и энергетических установок. Проблемы заключаются в том, что данных о жаропрочности, полученных в результате испытаний каждого исследуемого сплава, достаточно мало. Задачи, решаемые в настоящей работе, следующие: смоделировать изменения жаропрочности никелевых сплавов на основе имеющихся экспериментальных данных. Для решения поставленных задач применен наиболее современный подход — метод нейросетевого моделирования. Входными данными являются химические составы жаропрочных никелевых сплавов и значения их жаропрочности, полученные экспериментально. Выходными данными стали расчётные значения жаропрочности, смоделированные искусственной нейронной сетью. В ходе работы проведены преобразования входных данных для снижения среднеквадратичного отклонения моделирования выходных данных. Выбор конфигурации нейронной сети производился с целью достижения максимально возможной точности. В итоге использована нейронная сеть прямого распространения ошибки, с 27 нейронами на входном слое, 13 нейронами в скрытом слое и 1 нейроном на выходном слое. Для валидации результатов предсказаний еще до ввода данных в сеть случайным образом была отобрана группа сплавов с максимальным количеством известных экспериментальных значений жаропрочности. После подготовки данных, выбора конфигурации и обучения сети были загружены химические составы выделенной группы и рассчитаны значения их жаропрочности. Сравнение полученных данных с экспериментальными показали высокую эффективность метода. В результате получены данные об изменении жаропрочности для исследованных сплавов, а также сформулировано аналитическое выражение, описывающее полученные зависимости.

Ссылки (21)

1. Ch. T. Sims. Superalloys II: High-Temperature Materials for Aerospace and Industrial Power (ed. by Ch. T. Sims, N. S. Stoloff, W. K. Hagel). New York, Wiley (1987) 640 p.
2. C. R. Reed. The Superalloys. Fundamentals and Applicatios. Cambridge University Press (2006) 372 p. Crossref
3. E. N. Kablov, V. V. Gerasimov, E. M. Visik. Aviation Industry. 2, 18 (1999). (in Russian) [Е. Н. Каблов, В. В. Герасимов, Е. М. Висик. 2, 18 (1999).].
4. Yu. M. Lakhtin, V. P. Leontyev. Materialovedeniye. Moscow, Mashinostroenie (1990) pp. 16 - 18. (in Russian) [Ю. М. Лахтин, В. П. Леонтьева. Материаловедение Москва, Машиностроение (1990) c. 16 - 18.].
5. GOST 10145-81 Metals. Metod ispytaniya na dlitel'nuyu prochnost'. Moscow, Izdatel'stvo standartov (1981). (in Russian) [ГОСТ 10145 - 81 Металлы. Метод испытания на длительную прочность. Москва, Издательство стандартов (1981).].
6. B. N. Sinayski, M. S. Belyaev, N. D. Zhukov, A. D. Panteleev. Strength of Materials. 21, 322 (1989). Crossref
7. M. H. Beale, M. T. Hagan, H. B. Demuth. Matlab Neural Network Toolbox User’s Guide. Mathworks (2018) 558 p.
8. S. Khaikin. Neyronnyye seti: Polnyy kurs. Moscow: Williams (2017) 1104 p. (in Russian) [С. Хайкин. Нейронные сети: Полный курс. Москва, Вильямс (2017) 1104с.].
9. P. D. Wasserman. Neural Computing: Theory and Practice. Coriolis Group (1989) 230 p.
10. R. Callan. Osnovnyye kontseptsii neyronnykh setey. Moscow, Williams (2001) 288 p. (in Russian) [Р. Каллан. Основные концепции нейронных сетей. Москва, Вильямс (2001) 288 с.].
11. G. I. Ivchenko, Yu. I. Medvedev. Matematicheskaya statistika. Textbook. Moscow, Liberkom (2014) 352 p. (in Russian) [Г. И. Ивченко, Ю. И. Медведев. Математическая статистика. Учебник. Москва, Либерком (2014) 288 с.].
12. A. G. Tyagunov, E. E. Baryshev, T. K. Kostina, B. A. Baum, V. P. Lesnikov, I. P. Semenova. Phys. Metal. Metallogr. 86, 65 (1998).
13. A. G. Tyagunov, E. E. Baryshev, T. K. Kostina, I. P. Semenova, V. P. Lesnikov. Metal Science and Heat Treatment. 41, 538 (1999). Crossref
14. V. P. Kuznetsov, V. P. Lesnikov, N. A. Popov. Struktura i svoystva zharoprochnykh nikelevykh splavov. Publishing house of the Ural University (2016) 164 р. (in Russian) [В. П. Кузнецов, В. П. Лесников, Н. А. Попов. Структура и свойства жаропрочных никелевых сплавов. Издательство Уральского университета (2016) 164 с.].
15. E. N. Kablov. Lityye lopatki gazoturbinnykh dvigateley. Splavy, tekhnologiya, pokrytiya. Moscow, MISIS (2001) 632 р. (in Russian) [Е. Н. Каблов. Литые лопатки газотурбинных двигателей. Сплавы, технология, покрытия. Москва, МИСИС (2001) 632 с.].
16. A. V. Logunov, Yu. N. Smolin. Sovremennyye zharoprochnyye nikelevyye splavy dlya diskov gazovykh turbin. Moscow, Nauka I Tekhnologii (2013) 264 p. (in Russian) [А. В. Логунов, Ю. Н. Шмотин. Современные жаропрочные никелевые сплавы для дисков газовых турбин. Москва, Наука и технологии (2013) 264 с.].
17. S. V. Gaiduk, T. V. Tikhomirova. Aerospace engineering and technology. 9, 33 (2015). (in Russian) [С. В. Гайдук, Т. В. Тихомирова. Авиационно-космическая техника и технология. 9, 33 (2015).].
18. S. V. Gaiduk, V. V. Kononov, V. V. Kurenkova. General issues of metallurgy. 4, 31 (2015). (in Russian) [С. В. Гайдук, В. В. Кононов, В. В. Куренкова. Общие вопросы металлургии. 4, 31 (2015).].
19. S. V. Gaiduk, V. V. Kononov, V. V. Kurenkova. Electrometallurgy today. 4 (129), 44 (2017). (in Russian) [С. В. Гайдук, В. В. Кононов, В. В. Куренкова. Современная электрометаллургия. 4 (129), 44 (2017).]. Crossref
20. E. N. Kablov, O. G. Ospennikova, N. V. Petrushin, E. M. Visik. Aviation materials and technologies. 2, 14 (2015). (in Russian) [Е. Н. Каблов, О. Г. Оспенникова, Н. В. Петрушин, Е. М. Висик. Авиационные материалы и технологии. 2, 14 (2015).]. Crossref
21. E. N. Kablov, O. G. Ospennikova, N. V. Petrushin. Aviation materials and technologies. 1, 34 (2015). (in Russian) [Е. Н. Каблов, О. Г. Оспенникова, Н. В. Петрушин. Авиационные материалы и технологии. 1, 34 (2015).]. Crossref

Другие статьи на эту тему