А.Р. Мухутдинов1, М.Г. Ефимов2

1 Казанский национальный исследовательский технологический университет (г. Казань, Россия)
2 Казанский инновационный университет (г. Казань, Россия)
1 muhutdinov@rambler.ru, 2 jero07@bk.ru

Постановка проблемы. В статье представлен метод разработки нейросетевой модели для оценки свойств поливинилхлоридных (ПВХ) композитов с использованием универсального вычислительного экспресс-метода. Известно, что механические свойства ПВХ-композитов трудно прогнозировать из-за нелинейных взаимосвязей между компонентами, что делает данное исследование особенно актуальным. Методология исследования включала в себя разработку базы знаний, создание однотипной универсальной нейросетевой модели с общей регрессией в среде разработки NeuroShell и последующую ее апробацию. Исходные данные для нейросетевой модели содержали шесть входных характеристик, таких как содержание чистого и переработанного ПВХ, карбоната кальция, ди-2-этилгексилфталата, хлорированного парафинового воска и размер частиц CaCO3. Нейросетевая модель тестировалась на двенадцати тренировочных примерах и показала относительную ошибку прогнозирования не более 7,8%.

Цель. разработать нейросетевую модель для оценки свойств ПВХ-композитов для определения значений эксплуатационных выходных параметров (плотность и пластичность) при заданных значениях входных характеристик с использованием универсального вычислительного экспресс-метода.

Результаты. Проведена апробация универсального вычислительного экспресс-метода разработки нейросетевой модели для оценки свойств ПВХ-композитов с относительной ошибкой прогнозирования, не превышающей 9%. Создана нейросетевая модель, способная прогнозировать эксплуатационные параметры ПВХ-композитов, такие как плотность и пластичность, на основе заданных входных характеристик.

Практическая значимость. Результаты исследования показывают, что разработанная ИНС способна точно прогнозировать свойства ПВХ-композитов, что подтверждается низкой относительной ошибкой. Перспективность применения нейросетевого моделирования для решения подобных задач заключается в том, что предложенный экспресс-метод позволяет эффективно создавать нейросетевые модели с минимальными затратами времени и ресурсов. Статья представляет собой значительный вклад в область компьютерного моделирования материалов, предлагая новый подход к оценке свойств сложных композитных материалов с использованием современных информационных технологий.

Мухутдинов А.Р., Ефимов М.Г. Апробация универсального вычислительного экспресс-метода разработки нейросетевой модели для оценки свойств ПВХ-композитов // Нелинейный мир. 2025. Т. 23. № 2. С. 15–21. DOI: https://doi.org/ 10.18127/j20700970-202502-02

1. Мухутдинов А.Р., Марченко Г.Н., Вахидова З.Р. Нейросетевое моделирование и оптимизация сложных процессов и наукоемкого теплоэнергетического оборудования: монография. Казань: Казанский гос. энерг. ун-т. 2011. 296 с.
2. Мухутдинов А.Р., Ефимов М.Г., Вахидова З.Р. Нейросетевое моделирование процесса нагрева битуминозного пласта и исследование влияния различных факторов // Автоматизация и информатизация ТЭК. 2022. № 9 (590). С. 13–17.
3. Мухутдинов А.Р., Ефимов М.Г. Универсальные вычислительные экспресс-методы для создания искусственной нейронной сети сложного объекта и инновационного программного модуля на ее основе: монография / Минобрнауки России, Казан. нац. исслед. технол. ун-т. Казань: Изд-во КНИТУ. 2022. 156 с.
4. Kibrete F., Trzepieciński T., Shimles H., Woldemichael D. Artificial Intelligence in Predicting Mechanical Properties of Composite Materials. Journal of Composites Science. 2023. V. 7(9). P. 364. DOI:10.3390/jcs7090364.
5. Sanli T., Gurses E., Coker D., Kayran A. Development of Artificial Neural Network Based Design Tool for Aircraft Engine Bolted Flange Connection Subject to Combined Axial and Moment Load. ASME 2017 International Mechanical Engineering Congress and Exposition. V001T03A023. DOI:10.1115/IMECE2017-70448.
6. Abueidda D., Almasri M., Ammourah R., Ravaioli U., Jasiuk I., Sobh N. Prediction and optimization of mechanical properties of composites using convolutional neural networks. Composite Structures. 2019. 10.1016/j.compstruct.2019.111264.
7. Osman A., Sapuan S., Mahdi E., Othman M. Prediction and Detection of Failures in Laminated Composite Materials Using Neural Networks. A Review. Polymers and Polymer Composites. 2006. V. 14(4). P. 431–442.
8. Nikahd M., Shokrollahi Y., Gholami K., Azamirad G. Deep Learning Techniques for Predicting Stress Fields in Composite Materials: A Superior Alternative to Finite Element Analysis. Journal of Composites Science. 2023. V. 7(8). DOI:10.3390/jcs7080311.
9. Reddy B.S., Premasudha M., Panigrahi B.B., Cho K.K., Reddy N.G.S. Modeling constituent–property relationship of polyvinylchloride composites by neural networks. Polymer Composites. 2020. V. 41(8). P. 3208–3217.
10. Asrofi M., Arpitha G.R., Rajkumar M., Hemath M., Nagaraja B.K., Neerakallu S., Thiagamani S.M.K. An artificial neural network prediction on physical, mechanical, and thermal characteristics of giant reed fiber reinforced polyethylene terephthalate composite. Journal of Industrial Textiles. 2022. V. 51(1). P. 769–803.
11. Kibrete F., Trzepieciʼnski T., Gebremedhen H.S., Woldemichael D.E. Artificial Intelligence in Predicting Mechanical Properties of Composite Materials. Journal of Composites Science. 2023. V. 7. P. 364. DOI:10.3390/jcs7090364.
12. Altarazia S., Ammouria M., Hijazib A. Artificial neural network modeling to evaluate polyvinylchloride composites’ properties Industrial Engineering Department. Computational Materials Science, Amman, Jordan. 2018. № 153. P. 1–9.