Применение методов ИИ для прогнозирования характеристик металлических сплавов

Аннотация: В работе рассматриваются современные подходы к предсказанию механических параметров металлических сплавов с использованием технологий искусственного интеллекта и машинного обучения. Анализируются недостатки классического экспериментального метода, связанные с высокой стоимостью и продолжительностью исследований. Приводятся примеры российских научных коллективов, разработавших нейросетевые модели для оценки свойств аморфных, пористых и высокоэнтропийных сплавов. Показано, что применение искусственного интеллекта позволяет не только существенно ускорить процесс создания новых материалов, но и проектировать сплавы с заранее заданными характеристиками. Точность прогнозов в рассмотренных системах достигает 96% и выше. В заключении обсуждаются перспективы цифрового материаловедения как нового научного направления.

Ключевые слова: искусственный интеллект, нейронные сети, материаловедение, металлические сплавы, машинное обучение, прогнозирование свойств, цифровое материаловедение, аморфные сплавы, высокоэнтропийные сплавы.

Введение

Современное материаловедение сталкивается с необходимостью резкого ускорения разработки новых материалов с требуемыми эксплуатационными параметрами. Традиционная схема, основанная на синтезе большого количества образцов и их последующем испытании, требует многолетних усилий и значительных финансовых вложений. Особенно остро эта проблема проявляется при создании металлических сплавов для аэрокосмической, медицинской и автомобильной промышленности, где к материалам предъявляются жёсткие требования по прочности, износостойкости и другим параметрам.

В последние годы активно развивается новое научное направление – цифровое материаловедение, базирующееся на использовании методов искусственного интеллекта (ИИ) и машинного обучения для предсказания свойств материалов без необходимости проведения физических экспериментов [1]. Внедрение ИИ и цифровых методов в материаловедение открывает возможность создавать технику с оптимальным сочетанием свойств, что даёт многомиллиардный экономический эффект в масштабах отрасли.

Цель настоящей работы – провести обзор и анализ актуальных российских разработок в области нейросетевого прогнозирования свойств металлических сплавов, а также оценить перспективы использования этих методов в материаловедческой практике.

Методология прогнозирования свойств сплавов

Ключевая идея цифрового материаловедения заключается в создании обширных баз данных о свойствах уже известных материалов и последующем обучении на них нейронных сетей. Главный принцип состоит в том, что нейросети, обученные на эмпирических данных, способны выявлять сложные нелинейные зависимости между химическим составом, внутренней структурой материала и его механическими свойствами [2].

В общем виде процедура прогнозирования включает три последовательных этапа: сбор и систематизацию данных о физических и химических характеристиках элементов периодической таблицы и уже известных сплавов; обучение нейронной сети на этих данных для обнаружения корреляций между составом и свойствами; применение обученной модели для предсказания свойств новых, ещё не синтезированных сплавов.

Российские исследования в области нейросетевого прогнозирования

Разработка учёных Казанского федерального университета

Сотрудники кафедры вычислительной физики Института физики Казанского федерального университета (КФУ) создали инновационную методологию оценки прочности аморфных металлических сплавов, основанную на применении искусственного интеллекта [3]. Аморфные сплавы, атомная структура которых близка к строению жидкостей, обладают повышенной прочностью и применяются для изготовления ответственных деталей: сейсмодатчиков, мембран манометров, датчиков скорости, ускорения и крутящего момента автомобилей, пружин часовых механизмов, а также металлокорда шин и сердечников высокочастотных трансформаторов.

Разработанная нейросетевая модель способна анализировать обширный массив эмпирических данных о физических и химических свойствах всех элементов таблицы Менделеева. Принцип работы модели заключается в следующем: из различных комбинаций металлических элементов формируется гипотетический сплав, задаётся доля каждого компонента. Затем обученная нейросеть анализирует информацию о физических и химических свойствах элементов, образующих этот сплав, и определяет его механические характеристики [3]. Весь процесс занимает всего несколько минут.

В результате исследований учёные КФУ установили, что аморфные сплавы на основе Cr, Fe, Co, Ni, Nb, Mo и W с добавками полуметаллов (Be, B, Al, Sn) и неметаллов (Si, P), а также с участием лантаноидов (La, Gd) обладают более высокими прочностными показателями по сравнению со сплавами на основе других элементов. Предложенная методология, базирующаяся на машинном обучении, позволяет определять упругие свойства аморфных металлических сплавов с точностью до 98% [3].

Моделирование деформации пористых металлов с использованием нейросетей

Пористые металлы способны эффективно поглощать ударную энергию, что делает их перспективными в качестве демпфирующих материалов в различных конструкциях. В работе учёных Челябинского государственного университета [4] предложена макроскопическая континуальная модель динамической деформации пористых металлов, основанная на применении искусственных нейронных сетей. Для обучения нейросети использовались наборы данных, полученные путём моделирования сжатия представительных объёмов пористой среды методом гидродинамики сглаженных частиц.

Разработанная модель позволяет решить проблему перехода от микроструктурного уровня описания к континуальному и может быть использована для широкого диапазона скоростей и температур деформации. Применение нейросетевого подхода существенно сокращает время вычислений по сравнению с прямым численным моделированием, что открывает возможности для оперативного прогнозирования поведения пористых металлов в условиях динамического нагружения [4].

Нейросетевой подход к прогнозированию свойств высокоэнтропийных сплавов

Высокоэнтропийные сплавы характеризуются сложным химическим составом и многофазной структурой, что затрудняет прогнозирование их свойств традиционными методами. Исследователи Сибирского государственного индустриального университета [5] предложили использовать нейронные сети для решения этой задачи. Предложенная модель, основанная на полносвязной архитектуре с использованием метода Dropout, демонстрирует высокую точность предсказаний для таких свойств, как микротвердость, модуль Юнга, предел текучести и предел прочности.

Результаты работы подтверждаются низкими значениями средней абсолютной ошибки и открывают перспективы для ускорения разработки новых материалов с заданными свойствами. Применение нейросетей позволяет анализировать взаимосвязи между химическим составом и механическими характеристиками, что особенно важно для многокомпонентных систем, где традиционные эмпирические модели часто оказываются неприменимы [5].

Анализ и обсуждение

Проведённый обзор российских разработок позволяет сделать ряд выводов о современном состоянии и тенденциях развития нейросетевого прогнозирования свойств металлических сплавов.

Используемые методы машинного обучения демонстрируют высокую эффективность: точность прогнозов в рассмотренных работах составляет от 91% (для модуля объёмной упругости сплавов Гейслера) до 96% и выше (для аморфных и высокоэнтропийных сплавов), что сопоставимо с точностью физических экспериментов и существенно превосходит точность традиционных эмпирических моделей [3, 5].

Преимущества ИИ-подхода очевидны: время прогнозирования сокращается с месяцев и лет лабораторных испытаний до нескольких минут компьютерных расчётов, что позволяет многократно ускорить процесс разработки новых материалов. Нейронные сети не только предсказывают свойства уже известных сплавов, но и конструируют новые, подбирая оптимальные комбинации элементов из периодической таблицы Менделеева [3]. Это открывает возможность создавать материалы с заданными свойствами, минуя трудоёмкий этап экспериментального подбора составов.

Вместе с тем существуют и определённые ограничения. Методы ИИ требуют больших и качественных наборов данных для обучения, а также не всегда объясняют физические механизмы, лежащие в основе предсказываемых свойств [4].

Заключение

Применение искусственного интеллекта и методов машинного обучения открывает новые горизонты в материаловедении. Российские учёные вносят значительный вклад в развитие этого направления, разрабатывая эффективные модели для прогнозирования свойств аморфных, пористых и высокоэнтропийных сплавов. Достигнутая точность прогнозов (более 96% в ряде случаев) позволяет рассматривать нейросетевые модели как надёжный инструмент для ускорения материаловедческих исследований.

Разрабатываемые в КФУ, Сибирском государственном индустриальном университете и других российских вузах методологии и программные решения помогают создавать материалы с заданными свойствами, что имеет огромное значение для аэрокосмической, медицинской и автомобильной промышленности. Цифровое материаловедение, основанное на технологиях ИИ, становится ключевым направлением для развития российской промышленности, позволяя создавать технику с оптимальными комбинациями свойств и значительно сокращать время вывода новых материалов на рынок.

Библиографический список

1. Кабалдин Ю.Г. Цифровое материаловедение. Прогнозирование структуры и механических свойств новых материалов // Вестник машиностроения. – 2025. – Т. 104, № 4. – С. 344–349. – ISSN 0042-4633.
2. Galimzyanov B.N., Doronina M.A., Mokshin A.V. Machine learning-based prediction of elastic properties of amorphous metal alloys // Physica A: Statistical Mechanics and its Applications. – 2023. – Vol. 617. – P. 128678. – DOI: 10.1016/j.physa.2023.128678.
3. Galimzyanov B.N., Doronina M.A., Mokshin A.V. Neural Network as a Tool for Design of Amorphous Metal Alloys with Desired Elastoplastic Properties // Metals. – 2023. – Vol. 13, No. 4. – P. 812. – DOI: 10.3390/met13040812.
4. Latypov F.T., Bezborodova P.A., Rodionov E.S., Mayer A.E. Modeling of porous metal deformation by SPH method and construction of constitutive equations using artificial neural networks // Челябинскийфизико-математическийжурнал. – 2025. – Т. 10, № 1. – С. 158–173. – DOI: 10.47475/2500-0101-2025-10-1-158-173.
5. Панова В., Панченко И., Коновалов С., Запольская Е. Прогнозирование свойств высокоэнтропийных сплавов с использованием нейронных сетей // Современные проблемы физики и материаловедения. – 2026. – Т. 1, № 1. – С. 54–61. – DOI: 10.25712/ASTU.1811-1416.2026.01.007.

© Мухаметов М.В., Утягулова Л.Ф., 2026