Usage of neural networks for analysis and processing of experimental research of composite materials

Abstract

Сучасний розвиток промисловості потребує створення нових матеріалів, які забезпечують підвищення ресурсоздатності та збільшення міжремонтного періоду роботи машин і механізмів. Використання композитних матеріалів сприяє зниженню метало- та енергоємності розроблених агрегатів. Одним із перспективних напрямків є розроблення матеріалів та покриттів на основі полімерів, а саме, реактопластів. Застосування композитів вимагає опрацювання великих масивів експериментальних даних, де провідну роль відіграють нейронні мережеві технології. Встановлено, що сучасна архітектура нейромереж, зокрема згорткові нейронні мережі (CNN), рекурентні мережі (RNN), LSTM, GAN та трансформери, забезпечує продуктивність, яка перевершує традиційні алгоритми у завданнях розпізнавання образів. Ці мережі є ефективними інструментами при аналізі макро- та мікроструктур композитних матеріалів з наперед заданими функціональними властивостями. Отримано результати залежностей залишкових напружень КМ від товщини покриття L та вмісту наповнювача q напружень. Разом із тим дослідження виявили певні обмеження, пов’язані зі складністю навчання глибоких моделей, що потребують значних обчислювальних ресурсів, таких, як графічні процесори (GPU), та значного енергоспоживання. Використання методів оптимізації, зокрема квантування моделей і Knowledge Distillation, дозволяє знижувати обчислювальні витрати без втрати продуктивності. Інтеграція квантових обчислень у нейронні мережі значно прискорює процеси оптимізації. Особливу увагу приділено важливості інтерпретованості рішень. Більшість сучасних нейромереж функціонують як «чорні скриньки», що ускладнює їх використання в критичних задачах. Розвиток Explainable AI сприяє підвищенню довіри до нейронних мереж та їх ефективному застосуванню для дослідження структурних організацій композитних матеріалів. Таким чином, нейронні мережі є не лише інструментом, що розширює межі наукових досягнень, а й викликом, який стимулює розвиток сучасної науки та інженерії. Подолання викликів, пов’язаних із інтерпретованістю та обчислювальними витратами, відкриває нові можливості для створення інтелектуальних систем і композитних матеріалів із наперед заданими характеристиками для передових галузей промисловості

Modern industrial development demands the creation of new materials to enhance the durability and operational lifespan of machines while reducing metal and energy consumption. Composite materials, particularly those based on polymers (reactoplasts), play a key role in achieving these goals. Neural networks, including CNNs, RNNs, LSTMs, GANs, and transformers, outperform traditional algorithms in pattern recognition tasks and are effective tools for analyzing macro- and microstructures of composite materials with predefined properties. Despite challenges in training deep models, requiring significant computational resources and energy, optimization methods like quantization and distillation help reduce costs. Integrating quantum computing further accelerates optimization processes. The importance of Explainable AI is emphasized to address the «black-box» nature of neural networks, ensuring their reliability for critical applications. These technologies are essential for advancing intelligent systems and creating next-generation materials for high-tech industries