Использование искусственных нейронных сетей для оптимизации технологических параметров процессов наплавки высоколегированных сплавов
DOI:
https://doi.org/10.17072/1993-0550-2026-3-87-98Ключевые слова:
искусственная нейронная сеть, генетический алгоритм, оптимизация, наплавка, порошковая лента, коэффициент перехода, машинное обучение, сварочное производствоАннотация
Разработка эффективных составов высоколегированных сплавов для дуговой наплавки порошковыми лентами представляет собой сложную многопараметрическую задачу, связанную с необходимостью обеспечения максимального перехода легирующих элементов из электрода в наплавленный металл с учетом потерь на угар и разбрызгивание. Актуальность работы обусловлена необходимостью повышения точности прогнозирования химического состава наплавленного слоя и снижения объема экспериментальных исследований. Целью исследования является разработка метода оптимизации технологических параметров процесса наплавки на основе сочетания искусственной нейронной сети и генетического алгоритма. В качестве методов использованы искусственная нейронная сеть для моделирования зависимости коэффициентов перехода от технологических параметров и генетический алгоритм для поиска их оптимальных значений. В результате определены оптимальные параметры процесса: сила тока – 400 А, вылет электрода – 30 мм, фракционный состав ферротитана – 0.4 мм. Применение разработанного подхода позволило увеличить коэффициенты перехода в среднем на 11.2 %, в том числе по титану – на 30.7 %, марганцу – на 7.9 % и углероду – на 12.5 %. Полученные результаты подтверждают эффективность предложенного подхода для оптимизации процессов наплавки.
Библиографические ссылки
Chigarev V. V., Zarechenskiy D. A., Belik A. G. Optimisation of the composition and melting parameters of powder strips with the exothermic mixture in the filler // Welding International. 2016. Vol. 30, № 7. P. 557–559.
Шалимов М. П., Вотинова Е. Б. Расчетно-экспериментальная методика оценки параметров перехода элементов в металл шва при дуговой сварке и совершенствование состава шихты порошковой проволоки // Вестник ПНИПУ. Машиностроение, материаловедение. 2019. Т. 21, № 1. С. 28–35.
Козырев Н. А., Крюков Р. Е., Усольцев А. А., Кибко Н. В., Бащенко Л. П. Разработка новой порошковой проволоки на основе пыли газоочистки силикомарганца // Известия вузов. Черная металлургия. 2021. Т. 64, № 12. С. 863–869.
Зареченский Д. А., Ашла А. А., Шпак А. А. Особенности легирования наплавленного металла при наплавке порошковыми лентами // Наука – общество – технологии – 2025: материалы Всерос. науч.-практ. конф. М.: Московский политехнический университет, 2025. С. 167–171.
Чигарев В. В., Белик А. Г. Порошковые ленты для наплавки // Сварочное производство. 2011. № 8. С. 38–44.
Nagesh D. S., Datta G. L. Prediction of weld bead geometry and penetration in shielded metal arc welding using artificial neural networks // Journal of Materials Processing Technology. 2002. Vol. 123, № 2. P. 303–312.
Ates H. Prediction of gas metal arc welding parameters based on artificial neural networks // Materials & Design. 2007. Vol. 28, № 7. P. 2015–2023.
Zhang Y., Chen J., Zhang Y. Application of artificial intelligence in welding process optimization: A review // Journal of Manufacturing Processes. 2020. Vol. 58. P. 1024–1043.
Katherasan D. et al. Simulation and parameter optimization of flux cored arc welding using artificial neural network and particle swarm optimization algorithm // Journal of Intelligent Manufacturing. 2014. Vol. 25. P. 67–76.
Deb K. Multi-Objective Optimization Using Evolutionary Algorithms. New York: John Wiley & Sons, 2001. 518 p.
Rao R. V., Kalyankar V. D. Parameter optimization of welding processes using a new optimization algorithm // Materials and Manufacturing Processes. 2013. Vol. 28, № 8. P. 918–923.
Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Reading, MA: Addison-Wesley, 1989. 412 p.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Роман Владиславович Ковальчик, Наталья Юрьевна Ротанева, Денис Александрович Зареченский
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Публикация статьи в журнале осуществляется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
