ОПТИМИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ ЛИТЬЯ С ИСПОЛЬЗОВАНИЕМ ФИЗИКО-ИНФОРМИРОВАННЫХ ГЕНЕРАТИВНЫХ МОДЕЛЕЙ ДЛЯ МИНИМИЗАЦИИ ДЕФЕКТНОСТИ СТАЛЬНЫХ ОТЛИВОК

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.

1. Matokhina 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 SLAPBT

2. Одарченко 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.

3. 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.

4. 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.

5. 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.

6. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks. 2015;61. EDN: YEWUEF.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. Шайхутдинова И.И. Автоматизированные системы контроля качества в производстве отливок из алюминиевых сплавов. Литейное производство. 2025;9:25‒33.

17. 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.

18. 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.

19. 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.

20. EDN: IZTCZY.

21. 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.

22. 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.