vsgiuВестник Сибирского государственного индустриального университетаBulletin of the Siberian State Industrial University2304 - 44972307-1710Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный индустриальный университет"10.57070/2304-4497-2026-1(55)-84-93vsgiu-915Research ArticleРаздел 2. Металлургия и материаловедениеSection 2. Metallurgy and Materials ScienceОПТИМИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ ЛИТЬЯ С ИСПОЛЬЗОВАНИЕМ ФИЗИКО-ИНФОРМИРОВАННЫХ ГЕНЕРАТИВНЫХ МОДЕЛЕЙ ДЛЯ МИНИМИЗАЦИИ ДЕФЕКТНОСТИ СТАЛЬНЫХ ОТЛИВОКOPTIMIZATION OF TECHNOLOGICAL PARAMETERS OF CASTING USING PHYSICO-INFORMED GENERATIVE MODELS TO MINIMIZE DEFECTS IN STEEL CASTINGShttps://orcid.org/0000-0003-4724-630XКуценкоАндрей ИвановичKutsenkoAndrey I.

к.т.н., доцент, главный специалист по управлению стратегическим проектом

Cand. Sci. (Eng.), Associate Professor, Chief Specialist in Strategic Project Management

aik_mail@mail.ruhttps://orcid.org/0000-0001-9637-4821КнязевСергей ВалентиновичKnyazevSergey V.

к.т.н., доцент кафедры металлургии черных металлов и химической технологии

Cand. Sci. (Eng.), Associate Professor of the Department of Ferrous Metallurgy and Chemical Technology

krookia@mail.ruhttps://orcid.org/0000-0001-6220-7910УсольцевАлександр АлександровичUsoltsevAlexander A.

к.т.н., доцент кафедры металлургии черных металлов и химической технологии

Cand. Sci. (Eng.), Associate Professor of the Department of Ferrous Metallurgy and Chemical Technology

a.us@rambler.ruhttps://orcid.org/0000-0001-7985-5666ТемлянцевМихаил ВикторовичTemlyantsevMikhail V.

д.т.н., профессор, проректор по реализации стратегического проекта

Dr. Sci. (Eng.), Prof., Vice-Rector for Strategic Project Implementation

uchebn_otdel@sibsiu.ruhttps://orcid.org/0000-0003-0503-7438КуценкоАндрей АндреевичKutsenkoAndrey A.

к.т.н., доцент кафедры теплогазоводоснабжения, водоотведения и вентиляции

Cand. Sci. (Eng.), Associate Professor of the Department of Heat and Gas Supply, Sanitation and Ventilation

aak_mail@mail.ruhttps://orcid.org/0009-0008-7693-8405ГусевМаксим МихайловичGusevMaxim M.

директор центра цифровых компетенций

Director of the Center for Digital Competencies

gusev_mm@sibsiu.ruСибирский государственный индустриальный университетРоссияSiberian State Industrial UniversityRussian Federation202631032026018493Copyright © Куценко А., Князев С., Усольцев А., Темлянцев М., Куценко А., Гусев М., 20262026Куценко А., Князев С., Усольцев А., Темлянцев М., Куценко А., Гусев М.Kutsenko A., Knyazev S., Usoltsev A., Temlyantsev M., Kutsenko A., Gusev M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibsiu.ru/jour/article/view/915

Представлено физико-информированное генеративное моделирование (ФИГМ) как подход системной оптимизации технологических параметров литья стальных отливок с целью минимизации комплексной дефектности. Методология объединяет методы машинного обучения (глубокие автоэнкодеры для снижения размерности и кластеризации) с фундаментальными физико-технологическими ограничениями, формализованными в виде аналитических выражений. Последние описывают причинно-следственные связи между входными параметрами процесса и возникновением конкретных видов дефектов, что обеспечивает генерацию физически реализуемых и технологически обоснованных решений. Апробация подхода выполнена на историческом датасете по производству отливок типа Рама из стали марки 20Л, содержащем 15 входных и 8 выходных параметров, оценивающих средний уровень дефектности (СУД). В результате применения ФИГМ были идентифицированы и формализованы две устойчивые технологические зоны с различными комплексами параметров, каждая из которых обеспечивает стабильно приемлемый уровень качества. Для количественной оценки разработана целевая функция, учитывающая взвешенную критичность различных видов брака. Ключевым практическим результатом является создание инструмента визуальной аналитики на основе контурных карт взаимосвязей параметров и дефектов. Он позволяет наглядно анализировать технологические компромиссы, выявлять области устойчивых режимов и обоснованно выбирать оптимальные параметры литья. Показано, что предложенная методика преодолевает ограничения традиционных методов, основанных на последовательном устранении отдельных дефектов, и обеспечивает переход к системному управлению качеством за счет одновременного учета взаимного влияния ключевых видов брака.

Physicologically informed generative modeling (FIGM) is presented as an approach to system optimization of technological parameters of casting steel castings in order to minimize complex defects. The methodology combines machine learning methods (deep autoencoders for dimensionality reduction and clustering) with fundamental physical and technological limitations formalized in the form of analytical expressions. The latter describe the causal relationships between the input parameters of the process and the occurrence of specific types of defects, which ensures the generation of physically feasible and technologically sound solutions. The approach was tested on a historical dataset for the production of castings of the Frame type made of 20L grade steel, containing 15 input and 8 output parameters estimating the average defect level (SDA). As a result of the application of FIGM, two stable technological zones with different sets of parameters were identified and formalized, each of which provides a consistently acceptable level of quality. For quantitative assessment, an objective function has been developed that takes into account the weighted criticality of various types of defects. The key practical result is the creation of a visual analytics tool based on contour maps of the interrelationships of parameters and defects. It allows you to visually analyze technological compromises, identify areas of stable modes, and reasonably select optimal casting parameters. It is shown that the proposed methodology overcomes the limitations of traditional methods based on the sequential elimination of individual defects and ensures the transition to systematic quality management by simultaneously taking into account the mutual influence of key types of defects.

стальные отливкидефектностьфизико-информированные нейронные сетигенеративные моделимашинное обучениеsteel castingsdefectivenessphysical-informed neural networksgenerative modelsmachine learningReferencesMatokhina A.V., Kizim A.V., Voronin Y.F. Automation of customer needs forecasting. World Applied Sciences Journal. 2013;24(24):126‒132. https://doi.org/10.5829/idosi.wasj.2013.24.itmies.80024; EDN SLAPBTAutomation of customer needs forecasting. World Applied Sciences Journal. 2013;24(24):126‒132. https://doi.org/10.5829/idosi.wasj.2013.24.itmies.80024; EDN SLAPBTОдарченко И.Б., Жаранов В.А., Прусенко И.Н. Расширенная оценка технологической сложно-сти отливок на основе применения методов нейросетей. В кн.: Современные проблемы ма-шиноведения: Материалы XIII Международной научно-технической конференции (научные чтения, посвященные 125-летию со дня рож-дения П. О. Сухого). Гомель: изд. Гомельского государственного технического университета им. П.О. Сухого, 2020:102‒105. EDN: SMXSYJ.Odarchenko I.B., Zharanov V.A., Prusenko I.N. Extended assessment of the technological complexity of castings based on the application of neural network methods. In: Modern problems of me-chanical engineering: Proceedings of the XIII International Scientific and Technical Conference (scientific readings dedicated to the 125th anniversary of P. O. Sukhoi’s birth). Gomel: izd. Gomel State Technical University named after P. O. Sukhoi, 2020:102‒105. (In Russ.). EDN SMXSYJ.Schmidhuber J. Deep Learning in neural net-works: An overview. Neural Networks. 2015;61:85‒117. https://doi.org/10.1016/j.neunet.2014.09.003; EDN YEWUEF.Schmidhuber J. Deep Learning in neural net-works: An overview. Neural Networks. 2015;61:85‒117. https://doi.org/10.1016/j.neunet.2014.09.003; EDN YEWUEF.Андреев С.М., Колокольцев М.В., Савинов Д.А. и др. Использование искусственных нейронных сетей для прогнозирования прочностных свойств песчано-глинистых смесей литейных форм. Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2023;21(4):23‒33.Andreev S.M., Kolokol'tsev M.V., Savinov D.A. at al. The use of artificial neural networks to predict the strength properties of sand-clay mixtures of molds. Vestnik Magnitogorskogo gosudarstvennogo tekhnicheskogo universiteta im. G.I. Nosova. 2023;21(4):23‒33. (In Russ.).Смыков А.Ф., Кузовов С.С. Основы разработки автоматизированной системы по выявлению литейных дефектов в фасонных отливках на базе нейронных сетей и нечеткой логики. Заготовительные производства в машиностроении. 2025;23(7):295‒301.Smykov A.F., Kuzovov S.S. Fundamentals of the development of an automated system for detecting casting defects in shaped castings based on neural networks and fuzzy logic. Zagotovitel'nye proizvodstva v mashi-nostroenii. 2025;23(7):295‒301. (In Russ.).Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks. 2015;61. EDN: YEWUEF.Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks. 2015;61. EDN: YEWUEF.Mikolov T., Karafiat M., Burget L., Cernocky J., Khudanpur S. Recurrent neural network based language model. In: 11th Annual Conference of the International Speech Communication Association. Japan. 2010:38‒45.Mikolov T., Karafiat M., Burget L., Cernocky J., Khudanpur S. Recurrent neural network based language model. In: 11th Annual Conference of the International Speech Communication Association. Japan. 2010: 38‒45.Kuzovov S.S., Smykov A.F. The Application of Convolutional Neural Networks and Fuzzy Logic in Control and Automation Systems for Recognizing and Assessing the Danger Level of Hot Cracks in the Production of Cast Products. In: Interna-tional Russian Smart Industry Conference (SmartIndustryCon). IEEE. 2024:984‒988.Kuzovov S.S., Smykov A.F. The Application of Convolutional Neural Networks and Fuzzy Logic in Control and Automation Systems for Recognizing and Assessing the Danger Level of Hot Cracks in the Production of Cast Products. In: International Russian Smart Industry Conference (SmartIndustryCon). IEEE. 2024:984‒988.Angelini L., Carlo F., Marangi C., Pellicoro M., Nardullia M., Stramaglia S. Clustering Data by Inhomogeneous Chaotic Map Lattices. Physical Review Letters. 2000;85:199‒329. EDN: LTNGNH.Angelini L., Carlo F., Marangi C., Pellicoro M., Nardullia M., Stramaglia S. Clustering Data by Inhomogeneous Chaotic Map Lattices. Physical Review Letters. 2000;85:199‒329. EDN: LTNGNH.Князев С.В., Козырев Н.А., Усольцев А.А., Михно А.Р. Алгоритмы управления подготовкой формовочных смесей. Черная металлургия. Бюллетень научно-технической и экономической информации. 2021;77(10):1076‒1080. https://doi.org/10.32339/0135-5910-2021-10-1076-1080. EDN: AMYKQZ.Knyazev S.V., Kozyrev N.A., Usol'tsev A.A., Mikhno A.R. Algorithms for controlling the preparation of molding mixtures. Ferrous Metallurgy. Bulletin of Scientific, Technical and Economic Information. 2021;77(10):1076‒1080. https://doi.org/10.32339/0135-5910-2021-10-1076-1081. EDN: AMYKQZ.Oborskiy G.A., Bundyuk A.N., Tarakhtiy O.S. Control system of cogeneration power plant at partial electrical loads. Journal of Automation and Information Sciences. 2018;50(7):70–78. https://doi.org/10.1615/jautomatinfscien.v50.i7.60; EDN: FOFKWW.Oborskiy G.A., Bundyuk A.N., Tarakhtiy O.S. Control system of cogeneration power plant at partial electrical loads. Journal of Automation and Information Sciences. 2018;50(7):70–78. https://doi.org/10.1615/jautomatinfscien.v50.i7.60; EDN: FOFKWW.Одарченко И.Б., Жаранов В.А., Прусенко И.Н. Оптимизация гидродинамики литниково-питающих систем с использованием нейросетевых методов классификации технологических параметров. Литье и металлургия. 2017;4(89):84‒88.Odarchenko I.B., Zharanov V.A., Prusenko I.N. Optimization of hydrodynamics of gate-feeding systems using neural network methods for classifying technological parameters. Lit'e i metallurgiya. 2017;4(89):84‒88. (In Russ.).Денисов М.С., Петрешин Д.И., Чеботарев П.А., Ряузов С.А. Разработка нейросетевой модели для прогнозирования механических свойств алюминиевых сплавов при литье с кристаллизацией под давлением. Автома-тизация. Современные технологии. 2023;77(10):439‒446.Denisov M.S., Petreshin D.I., Chebotarev P.A., Ryauzov S.A. Development of a neural network model for predicting the mechanical properties of aluminum alloys during injection molding. Avtomatizatsiya. Sovremennye tekhnologii. 2023;77(10):439‒446. (In Russ.).Юсупов Л.Р., Клочкова К.В., Симонова Л.А. Методика моделирования химического состава чугуна с вермикулярным графитом на основе генетического алгоритма. В кн.: Инновационные машиностроительные технологии, оборудование и материалы. 2016:180‒185.Yusupov L.R., Klochkova K.V., Simonova L.A. Methodology for modeling the chemical composition of cast iron with vermicular graphite based on a genetic algorithm. In: Innovative engineering technologies, equipment and materials. 2016:180‒185. (In Russ.).Одарченко И.Б., Жаранов В.А., Прусенко И.Н. Интеграция нейросетевых моделей в процессы технологической подготовки производства отливок. Литье и металлургия. 2018;4(93):45‒49.Odarchenko I.B., Zharanov V.A., Prusenko I.N. Integration of neural network models into the processes of technological preparation of castings. Lit'e i metallurgiya. 2018;4(93):45‒49. (In Russ.).Шайхутдинова И.И. Автоматизированные системы контроля качества в производстве отливок из алюминиевых сплавов. Литейное производство. 2025;9:25‒33.Shaikhutdinova I.I. Automated quality control systems in the production of aluminum alloy castings. Liteinoe proizvodstvo. 2025;9:25‒33. (In Russ.).Черняев М.А., Терешина В.В. Гибридные модели на стыке физики и искусственного интеллекта: методы и приложения. Вектор научной мысли. 2025;7(24):159‒164.Chernyaev M.A., Tereshina V.V. Hybrid models at the junction of physics and artificial intelligence: methods and applications. Vektor nauchnoi mysli. 2025;7(24):159‒164. (In Russ.).Dli M.I., Vlasova E.A., Sokolov A.M., Morgunova E.V. Creation of a chemical-technological system digital twin using the Python language. Journal of Applied Informatics. 2021;16(1(91)):22‒31. https://doi.org/10.37791/2687-0649-2021-16-1-22-31; EDN AGPYPO.Dli M.I., Vlasova E.A., Sokolov A.M., Morgunova E.V. Creation of a chemical-technological system digital twin using the Python language. Journal of Applied Informatics. 2021;16(1(91)):22‒31. https://doi.org/10.37791/2687-0649-2021-16-1-22-31; EDN AGPYPO.Holmes J., Ahmed I., Brindescu C. et al. Using Relative Lines of Code to Guide Automated Test Generation for Python. ACM Transactions on Software Engineering and Methodology. 2020;29(4):1‒38. https://doi.org/10.1145/3408896.Holmes J., Ahmed I., Brindescu C. et al. Using Relative Lines of Code to Guide Automated Test Generation for Python. ACM Transactions on Software Engineering and Methodology. 2020;29(4):1‒38. https://doi.org/10.1145/3408896; EDN: IZTCZY.EDN: IZTCZY.Kharisma Raharjana I., Faris Arifin M., Iklil Nur A., Mubarak N. Conversion of User Story Scenarios to Python-Based Selenium Source Code for Automated Testing. TEM Journal. 2023;12(1):309‒315. https://doi.org/10.18421/tem121-39; EDN: TDIVAF.Kharisma Raharjana I., Faris Arifin M., Iklil Nur A., Mubarak N. Conversion of User Story Scenarios to Python-Based Selenium Source Code for Automated Testing. TEM Journal. 2023;12(1):309‒315. https://doi.org/10.18421/tem121-39; EDN: TDIVAF.Knyazev S.V., Kutsenko A.I., Usol'tsev A.A. at al. Prospects and directions of digital transformation in foundry production. Izvestiya vuzov. Chernaya metallurgiya. 2023;66(2):140‒147. (In Russ.). https://doi.org/10.17073/0368-0797-2023-2-140-147. EDN: JNMFIQ.Князев С.В., Куценко А.И., Усольцев А.А. и др. Перспективы и направления цифровой трансформации в литейном производстве. Известия вузов. Черная металлургия. 2023;66(2):140‒147. https://doi.org/10.17073/0368-0797-2023-2-140-147. EDN: JNMFIQ.Князев С.В., Куценко А.И., Усольцев А.А. и др. Перспективы и направления цифровой трансформации в литейном производстве. Известия вузов. Черная металлургия. 2023;66(2):140‒147. https://doi.org/10.17073/0368-0797-2023-2-140-147. EDN: JNMFIQ.

The authors declare that there are no conflicts of interest present.