Математическое моделирование процессов получения и старения полимерных композиционных материалов

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.

1. Дисперсно-наполненные полимерные композиты технического и медицинского назначения / Б. А. Люкшин [и др.]. – Новосибирск: Изд. СО РАН, 2017. – 311 с.

2. 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/202134602015

3. Machine 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/s41524-019-0209-9

4. Kumar, 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.2019.54

5. Xie, 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/10.1063/1.5047803

6. Kurt, 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/10.1155/2015/315710

7. Разработка 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/10.22349/1994-6716-2021106-2-146-160

8. Полковникова, 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.

9. Потенциал искусственного интеллекта при реализации генеративных образовательных технологий / К. Е. Романова [и др.] // Инженер. образование. – 2019. – № 26. – С. 75–83.

10. Мелихова, О. А. Применение генетических алгоритмов для построения систем искусственного интеллекта / О. А. Мелихова // Изв. ЮФУ. Техн. науки. – 2013. – № 7 (144). – С. 53–58.

11. 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.

12. 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.

13. 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.

14. Баженов, Р. И. Интеллектуальные информационные технологии в управлении / Р. И. Баженов. – Саратов: Ай Пи Эр Медиа, 2018. – 117 с.

15. Николенко, С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. – СПб.: Питер, 2021. – 480 с.