РЕКОМЕНДАТЕЛЬНАЯ СИСТЕМА ДЛЯ ОЦЕНКИ СВОЙСТВ МЕТАЛЛОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Емельянов В. А. Черный С. Г. Емельянова Н. Ю. Кочкаров А. А. Прокопчина С. В

Об авторах

Емельянов В. А. Черный С. Г. Емельянова Н. Ю. Кочкаров А. А. Прокопчина С. В

Емельянов Виталий Александрович – профессор кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр -кт, д. 49/2. ORCID: 0000-0001-9087-2504. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Черный Сергей Григорьевич – профессор кафедры информационных технологий Херсонского технического университета, 275500, г. Геническ, ул. Центральн ая, 196. ORCID: 0000-0001-5702-3260. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Емельянова Наталия Юрьевна – доцент кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр-кт, д. 49/2. ORCID: 0000-0001-7118-4597. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Кочкаров Азрет Ахматович – профессор кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр-кт, д. 49/2. ORCID: 0000- 0002-3232-5331. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Прокопчина Светлана Васильевна – профессор кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации, 125167, Москва, Ленинградский пр -кт, д. 49/2. ORCID: 0000 -0001-5500-2781. Область научных интересов: системы распознавания образов, нейронные сети, машинное обучение.

Скачать PDF

УДК: 004.032.026
DOI: 10.24412/2413-7383-2026-1-40-4-14
Язык: Английский

Аннотация: В статье описывается рекомендательная система, предназначенная для определения свойств металлов. Разработана структура экспертной подсистемы, предназначенной для определения номинальных значений свойств металлов. Показан фрагмент базы знаний о металлах, содержащий набор правил об их свойствах. Разработана нейронная сеть для уточнения значений свойств металлов. Показаны результаты моделирования разработанной нейронной сети.

Ключевые слова: нейронные сети, свойства металлов, экспертная подсистема, классификация

Список литературы

1. Smallman R.E. Ashbee K.H.G. Modern Metallography: The Commonwealth and International Library: Metallurgy Division. Elsevier, 2013. 224 с.
2. Colpaert H. Metallography of Steels: Interpretation of Structure and the Effects of Processing. ASM International, USA, 2018. 699 с.
3. DeCost B.L. Holm E.A. A computer vision approach for automated analysis and classification of microstructural image data. // Computational Materials Science. 2015. №110. С. 126-133.
4. Bezyazychnyi V.F. Palamar’ I.N. Azikov N.S. Automation of Analysis of the Structure of a Material with Details Based on Controlled Functional Systems. // Journal of Machinery Manufacture and Reliability. 2020. №49. С. 341–346.
5. Wu W.-H. Lee J.-C. Wang Y.-M. A Study of Defect Detection Techniques for Metallographic Images. // Sensors. 2020. №20. 5593.
6. Deep learning in alloy material microstructures: Application and prospects. / Che L. He Z. Zheng K. Si T. Ge M. Cheng H. Zeng L. // Materials Today Communications. 2023. №37. 107531.
7. Microstructure classification in the unsupervised context. / Kunselman C. Sheikh S. Mikkelsen M. Attari V. Arróyave R. // Acta Materialia. 2022. №223. 117434.
8. Computer techniques towards the automatic characterization of graphite particles in metallographic images of industrial materials. / Papa J.P. Nakamura R.Y.M. Albuquerque V. Falcão A.X. // Expert Syst. Appl. 2013. №40. С. 590–597.
9. An enhanced method for the identification of ferritic morphologies in welded fusion zones based on gray- level co-occurrence matrix: A computational intelligence approach. / Souza A.C. Silva G.C. Caldeira L. de Almeida Nogueira F.M. Junior M.L.L. de Aguiar E.P. // Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 2021. №235. С. 1228–1240.
10. Automatic microstructural characterization and classification using artificial intelligence techniques on ultrasound signals. / Nunes T.M. de Albuquerque V.H.C. Papa J.P. Silva C.C. Normando P.G. Moura E.P. Tavares J.M.R. // Expert Systems with Applications. 2013. №40. С. 3096–3105.
11. Albuquerque V.H.C. Tavares J.M.R. Cortez P.C. Quantification of the microstructures of hypoeutectic white cast iron using mathematical morphology and an artificial neural network. // International Journal of Microstructure and Materials Properties. 2010. №. С. 52–64.
12. Building data -driven models with microstructural images: Generalization and interpretability. / Ling J. Hutchinson M. Antono E. DeCost B. Holm E.A. Meredig B. // Materials Discovery. 2017. №10. С. 19–28.
13. DeCost B.L. Francis T. Holm E.A. Exploring the microstructure manifold: Image texture representations applied to ultrahigh carbon steel microstructures. // Acta Materials. 2017. №133. С. 30-40.
14. Advanced steel microstructural classification by deep learning methods. / Azimi S.M. Britz D. Engstler M. Fritz M. Mücklich F. // Scientific Reports. 2018. №8. 2128.
15. Automatic Microstructural Classification with Convolutional Neural Network. / Lorena G. Robinson G. Stefania P. Pasquale C. Fabiano B. Franco M. // In Proceedings of the Information and Communication Technologies of Ecuador (TIC.EC): TICEC 2018, Guayaquil, Ecuador, 21–23 November 2018.
16. Overview: Computer vision and machine learning for microstructural characterization and analysis. / Holm E.A. Cohn R. Gao N. Kitahara A.R. Matson T.P. Lei B. Yarasi S.R. // Metallurgical and Materials Transactions A. 2020. №51. С. 5985–5999.
17. Perera R. Guzzetti D. Agrawal V. Optimized and autonomous machine learning framework for characterizing pores, particles, grains and grain boundaries in microstructural images. // Computational Materials Science. 2021. №196. 110524.
18. Zhilenkov A. Chernyi S. Emelianov V. Application of Artificial Intelligence Technologies to Assess the Quality of Structures. // Energies. 2021. №14. 8040.
19. Application of artificial intelligence technologies in metallographic analysis for quality assessment in the shipbuilding industry. / Emelianov V. Zhilenkov A. Chernyi S. Zinchenko A. Zinchenko, E. // Heliyon 2022. №8(8). e10002
20. Information System for Diagnosing the Condition of the Complex Structures Based on Neural Networks. / Emelianov V, Chernyi S, Zinchenko A, Emelianova N, Zinchenko E, Chernobai K. // Energies. 2022.

Выпуск: 1(40)'2026
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Емельянов В. А. Черный С. Г. Емельянова Н. Ю. Кочкаров А. А. Прокопчина С. В. РЕКОМЕНДАТЕЛЬНАЯ СИСТЕМА ДЛЯ ОЦЕНКИ СВОЙСТВ МЕТАЛЛОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 4-14. - https://paijournal.guiaidn.ru/ru/2026/1(40)-1.html

Назад к выпуску 1(40)'2026