vestiftИзвестия Национальной академии наук Беларуси. Серия физико-технических наукProceedings of the National Academy of Sciences of Belarus. Physical-technical series1561-83582524-244XThe Republican Unitary Enterprise Publishing House "Belaruskaya Navuka"10.29235/1561-8358-2024-69-1-65-75vestift-831Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫINFORMATION TECHNOLOGIES AND SYSTEMSМатематическое моделирование процессов получения и старения полимерных композиционных материаловMathematical modeling of the creation process and aging of polymer composite materialshttps://orcid.org/0000-0002-6680-1607ЛаптевА. Б.LaptevA. B.

Лаптев Анатолий Борисович – доктор технических наук, доцент, главный научный сотрудник

ул. Радио, 17, 105005, Москва

Anatoly B. Laptev – Dr. Sci. (Engineering), Associate Professor, Chief Researcher

17, Radio Str., 105005, Moscow

laptev@bk.ruhttps://orcid.org/0009-0006-6707-1390КоганА. М.KoganA. M.

Коган Алексей Маркович – инженер

ул. Радио, 17, 105005, Москва

Aleksei M.  Kogan –  Engineer

17, Radio Str., 105005, Moscow

alekseikogan@yandex.ruhttps://orcid.org/0009-0003-1464-5694НиколаевЕ. B.NikolaevE. V.

Николаев Евгений Владимирович – кандидат технических наук, заместитель начальника 

ул. Радио, 17, 105005, Москва

Evgeniy V. Nikolaev – Cand. Sci. (Engineering), Deputy Head of the Testing Center

17, Radio Str., 105005, Moscow

arx.86@mail.ruhttps://orcid.org/0000-0003-4993-0519РогачевА. А.RogachevA. A.

Рогачев Александр Александрович – член-корреспондент Национальной академии наук Беларуси, доктор технических наук, профессор, директор 

ул. Ф. Скорины, 36, 220084, Минск

Alexander А. Rogachev – Corresponding Member of the National Academy of Sciences of Belarus, Dr. Sci. (Engineering), Professor, Director

36, F. Skorina Str., 220141, Minsk

rogachev78@mail.ruhttps://orcid.org/0000-0002-3837-6877ИгнатовичЖ. В.IhnatovichZh. V.

Игнатович Жанна Владимировна – кандидат химических наук, заместитель директора по научной работе 

ул. Ф. Скорины, 36, 220084, Минск

Zhanna V. Ihnatovich – Cand. Sci. (Chemistry), Deputy Director of Science 

36, F. Skorina Str., 220141, Minsk

ignatovichz@inbox.ruМатвеенкоЮ. В.MatveenkoYu. V.

Матвеенко Юрий Вячеславович – кандидат химических наук, ведущий научный сотрудник, заведующий лабораторией 

ул. Ф. Скорины, 36, 220084, Минск

Yuri V. Matveenko – Cand. Sci. (Chemistry), Leading Researcher, Head of the Laboratory

36, F. Skorina Str., 220141, Minsk

yurma@ichnm.mail.ruНациональный исследовательский центр «Курчатовский институт» – Федеральное государственное унитарное предприятие «Всероссийский научно-исследовательский институт авиационных материалов»National Research Center “Kurchatov Institute” – Federal State Unitary Enterprise “All-Russian Scientific Research Institute of Aviation Materials”Институт химии новых материалов Национальной академии наук БеларусиInstitute of Chemistry of New Materials of the National Academy of Sciences of Belarus2024030420246916575Copyright © Лаптев А.Б., Коган А.М., Николаев Е.B., Рогачев А.А., Игнатович Ж.В., Матвеенко Ю.В., 20242024Лаптев А.Б., Коган А.М., Николаев Е.B., Рогачев А.А., Игнатович Ж.В., Матвеенко Ю.В.Laptev A.B., Kogan A.M., Nikolaev E.V., Rogachev A.A., Ihnatovich Z.V., Matveenko Y.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestift.belnauka.by/jour/article/view/831

На основе анализа литературных данных о возможности использования нейросетей для создания новых материалов с высокими функциональными свойствами рассматривается решение проблемы определения эксплуатационной устойчивости полимерных композиционных материалов путем создания физико-химически обоснованных математических моделей прогнозирования. В качестве матрицы модельного композиционного материала выбраны эпоксидные смолы марок УП-637 и ЭА с отвердителем изофорондиамин, а в качестве модификатора – олигобутадиеновый каучук марки СКН-10 КТР. Обоснованы направления исследований, необходимые для разработки методологии создания новых материалов с оптимальными свойствами, построения модели изменения свойств материалов при варьировании состава и осуществления полномасштабного математического моделирования физико-химических процессов старения полимерных композиционных материалов при изменении уровня и времени воздействия климатических факторов. Верификация полученной зависимости служебных характеристик от состава материала и уровня воздействующих климатических факторов производилась на основании данных натурных испытаний в умеренном климате. Предложенная методика моделирования свойств полимерных композиционных материалов позволит сократить сроки разработки новых материалов и создать полимерные композиты на основе эпоксидной смолы, содержащие наполнители различной природы (углеродные, минеральные и полимерные) с высокими эксплуатационными параметрами.

Based on the analysis of the literature on the possibility of using neural networks to create new materials with high functional properties, the article considers a solution to the problem of determining the operational stability of polymeric composite materials by creating physical and chemically sound mathematical prediction models. Epoxy resins of the UP-637 and EA brands with an isophorone diamine hardener were chosen as the matrix of the model composite material, and oligobutadiene rubber of the SKN-10 KTR brand was chosen as the modifier. It justifies directions of work necessary for development of new materials creation methodology with optimal characteristics, building a model for changing the properties of materials at variation of composition and implementation of full-scale mathematical modeling of physical and chemical processes of polymer composite materials aging at changing level and time of climatic factors influence. Verification of the obtained dependence of service characteristics on the composition of the material and the level of influencing climatic factors was carried out on the basis of data from full-scale tests in a temperate climate. The proposed methodology for modelling the properties of polymer composite materials will reduce the development time of new materials and allow creation of polymer composites based on epoxy resin containing fillers of various natures (carbon, mineral and polymer) with high performance parameters.

полимерные композиционные материалыкомпьютерное моделированиеискусственные нейронные сетиклиматическое старениеpolymer composite materialscomputer modelingartificial neural networksclimatic agingРабота поддержана Российским научным фондом (грант № 23-49-10 047) и частично выполнена с использованием оборудования Центра коллективного пользования «Климатические испытания» НИЦ «Курчатовский институт» – ВИАМ.The work was supported by the Russian Scientific Foundation (grant № 23-49-10 047) and was partially performed using the equipment of the Center for Collective Use “Climatic Tests” of the Kurchatov Institute Research Center – VIAMReferencesДисперсно-наполненные полимерные композиты технического и медицинского назначения / Б. А. Люкшин [и др.]. – Новосибирск: Изд. СО РАН, 2017. – 311 с.Lyukshin B. A., Shil’ko S. V., Panin S. V., Mashkov Yu. K., Kornienko L. A., Lyukshin P. A., Pleskachevskii Yu. M. [et al.]. Dispersed-filled polymer composites for technical and medical purposes. Novosibirsk, Publ. House of the Siberian Branch of the Russian Academy of Sciences, 2017. 311 p. (in Russian).Method of Predicting the Polymer Composites’ Properties Using Neural Network Modeling / D. Vdovin [et al.] // MATEC Web Conf. (ICMTMTE 2021). – 2021. – Vol. 346, № 2. – Art. ID 02015. https://doi.org/10.1051/matecconf/202134602015Vdovin D., Abramochkin A., Borodulin A., Nelyub V. Method of Predicting the Polymer Composites’ Properties Using Neural Network Modeling. MATEC Web of Conferences (ICMTMTE 2021), 2021, vol. 346, no. 2, art. ID 02015. https://doi.org/10.1051/matecconf/202134602015Machine learning enables polymer cloud-point engineering via inverse design / J. N. Kumar [et al.] // npj Comput. Mater. – 2019. – Vol. 5. – Art. ID 73. https://doi.org/10.1038/s41524-019-0209-9Kumar J. N., Qianxiao Li, Tang K. Y. T., Buonassisi T., Gonzalez-Oyarce A. L., Jun Ye. Machine learning enables polymer cloud-point engineering via inverse design. npj Computational Materials, 2019, vol. 5, art. ID 73. https://doi.org/10.1038/s41524-019-0209-9Kumar, J. N. Challenges and opportunities of polymer design with machine learning and high throughput experimentation / J. N. Kumar, Q. Li, Y. Jun // Communications. – 2019. – Vol. 9. – P. 537–544. https://doi.org/10.1557/mrc.2019.54Kumar J. N., Qianxiao Li, Ye Jun. Challenges and opportunities of polymer design with machine learning and high throughput experimentation, Communications, 2019, vol. 9, pp. 537–544. https://doi.org/10.1557/mrc.2019.54Xie, T. Hierarchical visualization of materials space with graph convolutional neural networks / T. Xie, J. C. Grossman // J. Chem. Phys. – 2018. – Vol. 149, № 17. – Art. ID 174111. https://doi.org/10.1063/1.5047803Xie T., Grossman J. C. Hierarchical visualization of materials space with graph convolutional neural networks. The Journal of Chemical Physics, 2018, vol. 149, no. 17, art. ID 174111. https://doi.org/10.1063/1.5047803Kurt, H. I. Application of a Neural Network Model for Prediction of Wear Properties of Ultrahigh Molecular Weight Polyethylene Composites / H. I. Kurt, M. Oduncuoglu // Int. J. Polym. Sci. – 2015. – Vol. 2015. – Art. ID 315710. https://doi.org/10.1155/2015/315710Kurt H. I., Oduncuoglu M. Application of a Neural Network Model for Prediction of Wear Properties of Ultrahigh Molecular Weight Polyethylene Composites. International Journal of Polymer Science, 2015, vol. 2015, art. ID 315710. httpsdoi.org/10.1155/2015/315710Разработка механизма старения ПЭТФ в условиях воздействия тепла, влаги и ультрафиолетового излучения / А. Б. Лаптев [и др.] // Вопр. материаловедения. – 2021. – № 2 (106). – С. 146–160. https://doi.org/10.22349/1994-6716-2021106-2-146-160Laptev A. B., Nesterov A. S., Vardanyan A. M., Nikolaev E. V. Development of the PET aging mechanism under conditions of exposure to heat, moisture and ultraviolet radiation. Voprosy materialovedeniya, 2021, no. 2 (106), pp. 146–160 (in Russian). https://doi.org/10.22349/1994-6716-2021-106-2-146-160Полковникова, Н. А. Нейросетевые технологии, нечеткая кластеризация и генетические алгоритмы в экспертной системе / Н. А. Полковникова, В. М. Курейчик // Изв. ЮФУ. Техн. науки. – 2014. – № 7 (156). – С. 7–15.Polkovnikova N. A., Kureichik V. M. Neural network technologies, fuzzy clustering and genetic algorithms in an expert system. Izvestiya YuFU. Tekhnicheskiye nauki = Izvestiya SFedU. Engineering Science, 2014, no. 7 (156), pp. 7–15 (in Russian).Потенциал искусственного интеллекта при реализации генеративных образовательных технологий / К. Е. Романова [и др.] // Инженер. образование. – 2019. – № 26. – С. 75–83.Romanova K. E., Mishurov S. S., Rumyantsev E. V., Matrokhin A. Yu. The potential of artificial intelligence in the implementation of generative educational technologies. Inzhenernoye obrazovaniye [Engineering Education], 2019, no. 26, pp. 75–83 (in Russian).Мелихова, О. А. Применение генетических алгоритмов для построения систем искусственного интеллекта / О. А. Мелихова // Изв. ЮФУ. Техн. науки. – 2013. – № 7 (144). – С. 53–58.Melikhova O. A. Application of genetic algorithms for building artificial intelligence systems. Izvestiya YuFU. Tekhnicheskiye nauki = Izvestiya SFedU. Engineering Science, 2013, no. 7 (144), pp. 53–58 (in Russian).Келлер, Ю. А. Разработка искусственных нейронных сетей для предсказания технологической эффективности от выравнивания профиля приемистости / Ю. А. Келлер // Изв. Том. политех. ун-та. Информ. технологии. – 2014. – Т. 325, № 5. – С. 60–65.Keller Yu. A. Development of artificial neural networks to predict technological efficiency from injectivity profile alignment. Izvestiya Tomskogo politekhnicheskogo universiteta. Informatsionnyye tekhnologii [Bulletin of the Tomsk Polytechnic University. Information Technology], 2014, vol. 325, no. 5, pp. 60–65 (in Russian).Van Veen, F. Neural Network Zoo [Electronic resource] / F. Van Veen, S. Leijnen // The Asimov Institute. – 2021. – Mode of access: www.asimovinstitute.org/neural-network-zoo. – Date of access: 15.09.2021.Van Veen F., Leijnen S. Neural Network Zoo. The Asimov Institute. Available at: www.asimovinstitute.org/neural-network-zoo (accessed 15.09.2021) (in Russian).Павлова А. И. Информационные технологии: основные положения теории искусственных нейронных сетей / А. И. Павлова. – Новосибирск: Новосиб. гос. ун-т экономики и управления, 2017. – 191 с.Pavlova A. I. Information Technology: the Main Provisions of the Theory of Artificial Neural Networks. Novosibirsk, Novosibirsk State University of Economics and Management, 2017. 191 p. (in Russian).Баженов, Р. И. Интеллектуальные информационные технологии в управлении / Р. И. Баженов. – Саратов: Ай Пи Эр Медиа, 2018. – 117 с.Bazhenov R. I. Intelligent Information Technologies in Management. Saratov, IP Air Media, 2018. 117 p. (in Russian).Николенко, С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. – СПб.: Питер, 2021. – 480 с.Nikolenko S., Kadurin A., Arkhangelskaya E. Deep Learning. St. Petersburg, Piter Publ., 2021. 480 p. (in Russian).

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