Інноваційні технології у дослідженні механічних властивостей матеріалів
DOI:
https://doi.org/10.63341/vjmet/2.2024.130Ключові слова:
універсальні розривні машини, машинний зір, імпульсне навантаження, прогнозування поведінки матеріалів, оптичні системи вимірювання, алгоритми машинного навчання, візуалізація деформаційАнотація
У статті представлено огляд сучасних інноваційних технологій, що використовуються для дослідження механічних властивостей матеріалів за допомогою універсальних розривних машин. Основну увагу приділено інтеграції технологій машинного зору, алгоритмів машинного навчання та високошвидкісної стереоскопії, які забезпечують нові можливості для аналізу поведінки матеріалів під час статичних і динамічних навантажень. Важливим аспектом дослідження було вдосконалення традиційних методів випробувань шляхом впровадження інноваційних компонентів: високошвидкісних камер, що дозволяють фіксувати деформації матеріалу з мікросекундною точністю; стереоскопічних систем, які створюють тривимірні моделі поведінки матеріалу під навантаженням; а також освітлювальних пристроїв, що забезпечують рівномірне освітлення об’єкта випробувань. Зазначені технології синхронізуються із потужними обчислювальними модулями, здатними проводити аналіз великих обсягів даних у реальному часі. Автори підкреслюють, що інтеграція алгоритмів комп’ютерного зору та машинного навчання дозволяє суттєво зменшити вплив людського фактора на результати досліджень. Автоматизовані системи аналізу здатні точно виявляти та класифікувати дефекти, моделювати типи руйнувань та прогнозувати поведінку матеріалів за різних умов навантаження. Також наведено приклади застосування таких систем у дослідженнях складних композитів, металевих сплавів і новітніх полімерів. Додатково розглянуто інноваційні підходи до створення динамічних навантажень, що дозволяють проводити випробування на ударну міцність та витривалість. У статті показано, як автоматизовані системи управління випробувальними процесами підвищують ефективність досліджень, забезпечуючи більшу точність, повторюваність результатів і пришвидшену обробку даних. Практичне значення описаних розробок полягає в їх широкому застосуванні в галузях, де вивчення механічних властивостей матеріалів є критично важливим, таких як авіабудування, машинобудування, енергетика та будівництво. Високий рівень автоматизації та точності випробувань, забезпечений впровадженням сучасних технологій, дозволяє задавати нові стандарти якості досліджень і створює перспективи для подальшого розвитку матеріалознавства. Таким чином, представлений підхід до вдосконалення універсальних розривних машин сприяє підвищенню точності вимірювань, розширенню функціональних можливостей традиційних випробувальних систем і створенню більш ефективних методів дослідження матеріалів
Посилання
García-Collado, A., Dorado-Vicente, R., Romero, P.E., & Gupta, M.K. (2023). Recent trends on the mechanical properties of additive manufacturing. Applied Sciences, 13(12), article number 7067. doi: 10.3390/app13127067.
Jiang, S., Dong, T., Zhan, Y., Dai, W., & Zhan, M. (2021). Experimental study on improving the mechanical properties of material extrusion rapid prototyping polylactic acid parts by applied vibration. Applied Sciences, 11(4), article number 1820. doi: 10.3390/app11041820.
Mashiwa, N., Furushima, T., & Manabe, K. (2017). Novel non-contact evaluation of strain distribution using digital image correlation with laser speckle pattern of low carbon steel sheet. Procedia Engineering, 184, 16-21. doi: 10.1016/J. PROENG.2017.04.065.
Amini, A., & Haghpanahi, M. (2020). Machine learning for material design and engineering applications. Hoboken: Wiley-Blackwell.
Singh, B., & Chattopadhyay, S. (2022). Advanced materials and technologies in industry. Berlin: Springer.
Chien, C.F., & Li, W.L. (2021). Artificial intelligence in materials science and engineering. Amsterdam: Elsevier.
Wu, P., & Liu, Y. (2020). Artificial intelligence for materials science and engineering. Amsterdam: Elsevier.
Suryawanshi, R.D., & Patel, V.P. (2021). Machine learning in materials science: Fundamentals and applications. Boca Raton: CRC Press.
Zhu, Y., & Liang, Y. (2019). Computational materials science: From basic principles to state-of-the-art applications. Weinheim: Wiley-VCH.
Hoffmann, M.J., & Dieringa, H. (2018). Materials science and technology: The key to innovation. Weinheim: Wiley-VCH.
Jha, S.K., & Sharma, P. (2022). Advanced smart materials for energy and environmental sustainability. Amsterdam: Elsevier.
Evans, J.R., & Oliver, A.C. (2021). Emerging materials science and technologies. Cambridge: Cambridge University Press.
Kumar, R., & Singh, R. (2023). Applications of artificial intelligence in materials science and engineering. Berlin: Springer Nature.
##submission.downloads##
-
PDF (English)
Завантажень: 1
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.