Тип публикации: статья из журнала
Год издания: 2025
Идентификатор DOI: 10.37816/2713-0789-2025-5-2(16)-79-94
Ключевые слова: polymer composite materials, vacuum infusion, machine learning, neural networks, полимерные композиционные материалы, вакуумная инфузия, машинное обучение, нейронные сети
Аннотация: Производство крупногабаритных конструкций из полимерных композиционных материалов (ПКМ) по технологии вакуумной инфузии обладает высокой экономической рентабельностью в сравнении с другими из-за отсутствия необходимости использования дорогостоящего промышленного оборудования наподобие автоклавов, вакуумных термошкафов и др. Для повПоказать полностьюышения качества крупногабаритных конструкций из ПКМ крайне важно осуществлять контроль вязкости связующего, температуры оснастки и связующего, мест его подачи и откачки. Из-за сложности происходящих процессов при выборе технологических параметров велика доля интуитивно-эмпирических приёмов, которые могут приводить к возникновению технологического брака конструкций из полимерных композиционных материалов. В связи с чем необходимо применение методов математического моделирования и создание достоверных методик контроля качества пропитки в режиме реального времени. Цель работы - разработка методики прогнозирования параметров процесса пропитки полимерными связующими заготовок ПКМ на основе параметрического моделирования и машинного обучения для повышения качества деталей. Приведены результаты параметрического моделирования пропитки заготовок деталей из ПКМ, изложены приёмы автоматизации и результаты моделирования для применения методов машинного обучения. Выдвинуты ключевые метрики точности для разрабатываемой прогнозирующей модели. Предложена масштабируемая прогнозирующая модель на основе искусственных полносвязных нейронных сетей прямого распространения. Приведены результаты оптимизации параметров сенсорной системы и гиперпараметров нейронной сети. Исследовано влияние размера массива данных на метрики точности прогнозирующей модели. Сделаны выводы о практической реализуемости предлагаемой прогнозирующей модели. The production of large-sized structures from polymer composite materials (PCM) using vacuum infusion technology has a high economic profitability compared to others due to the absence of the need of expensive industrial equipment such as autoclaves, vacuum thermowells, etc. To improve the quality of large-sized structures made of PCM, it is extremely important to control the viscosity of the binder; the temperature of the tooling and binder; the places of its supply and pumping. Due to the complexity of the processes trial-and-error techniques are highly involved in parameters evaluation, that can lead to technological defects in structures made of PCM. In this regard, it is necessary to apply mathematical modeling methods and create reliable methods for impregnation quality control in real time. The aim of the work is to develop a methodology for forecasting the parameters of the impregnation process with polymer binders of PCM blanks based on parametric modeling and machine learning to improve the quality of parts. The results of parametric modeling of the PCM blanks impregnation are presented, automation techniques and results for the application of machine learning methods are described. The key accuracy metrics for the developed predictive model are put forward. A scalable predictive model based on artificial fully connected neural networks is proposed. The results of the sensory system parameters optimization and the neural network hyperparameters optimization are presented. The dataset size influence on the accuracy metrics of the predictive model is investigated. Conclusions are drawn about the practical feasibility of the process control system based on the proposed predictive model.
Журнал: Промышленные процессы и технологии
Выпуск журнала: Т. 5, № 2
Номера страниц: 79-94
ISSN журнала: 27130789
Место издания: Москва
Издатель: Российский государственный университет им. А.Н. Косыгина (Технологии. Дизайн. Искусство)