ФГБОУ ВО «Пермский национальный исследовательский политехнический университет», кафедра вычислительной математики, механики и биомеханики, Пермь, Россия:
А. В. Клюев, канд. физ.-мат. наук, доцент, эл. почта: kav@gelicon.biz
В. Ю. Столбов, докт. техн. наук, зав. кафедрой, эл. почта: valeriy.stolbov@gmail.com

ФГБОУ ВО «Магнитогорский государственный технический университет им. Г. И. Носова» (МГТУ), Магнитогорск, Россия:
Н. В. Копцева, докт. техн. наук, профессор кафедры литейных процессов и материаловедения, эл. почта: kopceva1948@mail.ru
Ю. Ю. Ефимова, канд. техн. наук, доцент кафедры технологий обработки материалов, эл. почта: jefimova78@mail.ru

В настоящее время создание новых функциональных материалов является актуальной задачей современного материаловедения. Подбор химического состава и способов термической и термомеханической обработки, которые ведут к созданию новых сталей с заданными свойствами, требуют значительных временных и финансовых затрат на исследования и подготовку технологии производства такого рода материалов. При этом особое значение приобретает анализ изображений микроструктуры, который позволяет прогнозировать спектр механических свойств материала. В целях повышения эффективности и объективности идентификации свойств необходимо привлечение современных математических методов обработки данных и алгоритмов искусственного интеллекта для решения задач классификации и идентификации микроструктуры материала. В работе исследованы возможности искусственных нейронных сетей и глубокого машинного обучения для предсказания механических свойств сталей после различных деформационных и термических воздействий на основе нейросетевого анализа изображений микроструктур. Приведено описание построенной базы данных размеченных цифровых фотографий микроструктур стали, используемых при глубоком обучении нейросетей. Показано, что достаточно популярная глубокая нейронная сеть VGG с высокой точностью решает задачу классификации микроструктур различных сталей по твердости материала. Представлены результаты обработки исходной информации глубокой нейронной сетью ResNet и приведено сравнение полученных результатов с экспериментальными данными. Достигнутая точность позволяет использовать обученную сеть в качестве ядра интеллектуальной системы комплексного оценивания прочностных свойств функциональных и конструкционных материалов. Отсутствие больших массивов данных размеченных цифровых фотографий микроструктур различных материалов, необходимых для обучения и тестирования нейросетей сверточного типа, является одним из препятствий для широкого распространения нейросетевого моделирования в области материаловедения. Поэтому полученные результаты можно рассматривать как важный шаг в направлении развития цифровых технологий при создании функциональных металлических материалов с заданным набором механических характеристик.

Работа выполнена в рамках реализации федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014–2020 годы». Уникальный идентификатор проекта RFMEFI58617X0055.

1. Ортигон Фуэнтес Б., Гальярдо Фуэнтес Х. М., Муньос Морено С., Гюмпель П., Штриттматтер Й. Влияние термоупрочнения прутков методом Tempcore на их свойства при растяжении // Черные металлы. 2019. № 6. C. 69–77.
2. Gitman M. B., Klyuev A. V., Stolbov V. Y., Gitman I. M. Complex Estimation of Strength Properties of Functional Materials on the basis of the Analysis of Grain-Phase Structure Parameters // Strength of Materials. 2017. Vol. 49, Iss. 5. Р. 710–717.
3. Барышников М. П., Чукин М. В., Бойко А. Б., Дыя Х., Назайбеков А. Б. Методы исследования механических характеристик металлов и сплавов в процессах обработки давлением с учетом неоднородности структуры // Вестник Магнитогорского гос. техн. ун-та им. Г. И. Носова. 2014. Т. 48. № 4. С. 26–31.
4. Chukin M. V., Koptseva N. V., Efimova Y. Y., Chukin D. M., Nikitenko O. A. Influence of the speed of high-carbon steel billet in the patenting unit on its final structure and mechanical properties // Steel in Translation. 2018. Vol. 48, Iss. 4. P. 224–228.
5. Chukin M. V., Poletskov P. P., Nikitenko O. A., Nabatchikov D. G. Study of microstructure of rolled heavy plates made of low-alloyed pipe steel with increased strength and cold resistance // CIS Iron and Steel Review. 2017. Vol. 13. P. 28–33.
6. Le Cun Y., Boser B., Denker J. S., Henderson D., Howard R. E. et al. Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation. 1989. Vol. 1, Iss. 4. Р. 541–551.
7. Szegedy Ch., Liu W., Jia Y., Sermanet P., Reed S. et al. Going deeper with convolutions / Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. Р. 1–9.
8. He K., Zhang X., Ren Sh., Sun J. Deep Residual Learning for Image Recognition / Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. Р. 770–778.
9. Hu Jie, Shen Li, Sun G. Squeeze-and-Excitation Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017 [Электроннный ресурс] URL: https://arxiv.org/pdf/1709.01507.pdf (дата обращения: 13.05.2020).

10. DeCost B., Toby F., Holm Elizabeth A. Exploring the microstructure manifold: image texture representations applied to ultrahigh carbon steel microstructures // Acta Materialia. 2017. Vol. 133. Р. 30–40.
11. Azimi S. M., Britz D., Engstler M., Fritz M., Mücklich F. Advanced Steel Microstructural Classification by Deep Learning Methods // Scientiu Reports. 2018. Vol. 8, Iss. 1 [Электронный ресурс] URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5794926/ (дата обращения: 13.05.2020).
12. Masci J., Meier U., Ciresan D., Schmidhuber J., Fricout G. Steel defect classification with Max-Pooling Convolutional Neural Networks / Proc. of International Joint Conference on Neural Networks (IJCNN). 2012. Р. 1–6 DOI: 10.1109/IJCNN.2012.6252468.
13. Shiyang Zhou, Youping Chen, Dailin Zhang, Jingming Xie, Yunfei Zhou. Classification of surface defects on steel sheet using convolutional neural networks // Materiali in tehnologije. 2017. Vol. 51, Iss. 1. Р. 123–131.
14. Soukup D., Huber-Mörk R. Convolutional Neural Networks for Steel Surface Defect Detection from Photometric Stereo Images // Advances in Visual Computing: conference proceedings ISVC. 2014. Springer, 2014. Р. 668–677.
15. Faghih-Roohi S., Hajizadeh S., Nunez A., Babuska R., De Schutter B. Deep convolutional neural networks for detection of rail surface defects // Proceedings of the 2016 International Joint Conference on Neural Networks (IJCNN 2016). 2016. P. 2584–2589.
16. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. 2015 [Электронный ресурс] URL: https://arxiv.org/pdf/1502.03167.pdf (дата обращения : 13.05.2020).
17. Клюев А. В., Столбов В. Ю., Шарыбин С. И. Визуализация сложных зеренных структур металлов и сплавов при идентификации их параметров // Научная визуализация. 2016. Т. 8. № 3. С. 95–101.
18. Klestov R., Klyuev A., Stolbov V. About some approaches to problem of metals and alloys microstructures classification based on neural network technologies // Advances in Engineering Research. 2018.
Vol. 157. P. 292–296.