Оптимізація параметрів плазмово-порошкового наплавлення з використанням регресійно-кореляційного аналізу
##plugins.themes.bootstrap3.article.main##
Анотація
У статті представлено методику оптимізації параметрів плазмово-порошкового наплавлення із використанням регресійно-кореляційного аналізу. Плазмово-порошкове наплавлення є високоефективним методом нанесення зносостійких покриттів, який широко застосовується у машинобудуванні, металургії, суднобудуванні та судноремонті. Процес наплавлення залежить від ряду параметрів, таких як струм і напруга дуги, швидкість наплавлення та кут нахилу плазмотрона. Ці фактори суттєво впливають на експлуатаційні характеристики отриманих покриттів. У роботі було досліджено вплив технологічних параметрів плазмово-порошкового наплавлення на міцність і довговічність наплавлених матеріалів, побудована математична модель для оптимізації технологічного процесу. Використано повний факторний експеримент для чотирьох змінних на двох рівнях, що дозволило оцінити взаємодію між параметрами та їхній вплив на межу витривалості зразків. Отримані результати показують, що струм наплавлення, напруга дуги та кут нахилу плазмотрона мають найбільший вплив на якість покриттів, тоді як швидкість наплавлення є менш значущим фактором. Побудована регресійна модель забезпечує точність прогнозу з коефіцієнтом детермінації R2 = 0,9365, що свідчить про високу відповідність моделі реальним даним. Розроблена методика дозволяє зменшити витрати матеріалів та часу, покращити якість покриттів та підвищити ефективність процесу плазмово-порошкового наплавлення. Практичне застосування результатів передбачає використання математичної моделі для налаштування параметрів наплавлення залежно від вимог до кінцевого продукту. Це відкриває нові можливості для автоматизації та підвищення продуктивності в промислових умовах.
##plugins.themes.bootstrap3.article.details##
Посилання
2. Pavlenko P.M. Fundamentals of mathematical modeling of systems and processes: education manual / P. M. Pavlenko. K.: NAU, 2014. 274 p. [In Ukrainian]
3. Palchevsky B.O. Research of technological systems (modeling, design, optimization): Study guide. Lviv: Svit, 2001. 232 p. [In Ukrainian].
4. Malyarets M.V., Plahotnyk V.V., Stanzhitskyi O.M. etc. Higher mathematics. Kh.: Folio, 2014. 670 p. [In Ukrainian].
5. Samoilenko A.M., Stanzhitskyi O.M., Kenzhebaev K.K., Taran E.Yu. Mathematical modeling, textbook. K.: Scientific Opinion, 2015. 327 p. [In Ukrainian].
6. Vovk V.M. Optimization methods and models: training. manual / V.M. Vovk, L.M. Zomchak. Lviv: LNU named after Ivan Franko, 2014. 360 p. [In Ukrainian].
7. Zaburanna N.V. Optimization methods and models: [Textbook] / N.V. Zabu- ranna, N.A. Poprozman, O.I. Klymenko et al. K.: NUBIP, 2014. 372 p. [In Ukrainian].
8. Modeling and optimization of systems: a textbook / [Dubovoy V.M., Kvetny R.N., Mykhalyov O.I., Usov A.V.] Vinnytsia: PP TD «Edelweiss», 2017. 804 p. [In Ukrainian].
9. Dubovoi V.M. Identification and modeling of technological objects and control systems: study guide / V.M. Dubovoi. Vinnytsia: VNTU, 2012. 308 p. [In Ukrainian].
10. Schneider A, Hommel G, Blettner M. Linear regression analysis: Part 14 ofa series on evaluation of scientific publications Dtsch Arztebl Int. 2010;107:776-82.
11. Freedman DA. Statistical Models: Theory and Practice 2009 Cambridge, USA Cambridge University Press.
12. Chan YH. Biostatistics 201: Linear regression analysis Age (years). Singapore Med J. 2004;45:55-61.
13. Ming Liu, Ziang Jin, Guozheng Ma, Lina Zhu, Jiajie Kang, Haidou Wang and Wei Zhang, Process optimization and coating properties of aluminum coating prepared by supersonic plasma powder feeding based on response surface. Journal of Physics: Conference Series, Volume 1176, Issue 5. 2019.
14. S. Traore, M. Schneider, I. Koutiri, F. Coste, R. Fabbro, C. Charpentier, P. Lefebvre, P. Peyre,Influence of gas atmosphere (Ar or He) on the laser powder bed fusion of a Ni-based alloy,Journal of Materials Processing Technology,Volume 288,2021.
15. Itano F.; de Sousa, M.A.d.A.; Del-Moral-Hernandez, E. Extending MLP ANN hyper-parameters Optimization by using Genetic Algorithm. In Proceedings of the 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 8-13 July 2018; IEEE: Piscataway, NJ, USA, 2018; Р. 1-8.
16. D. Cha J.J. Rosenberg, and C.L. Dym, Fundamentals of Modeling and Analyzing Engineering Systems, Cambridge University Press, NewYork, 2000.
17. D. Zill and M. Cullen, Differential Equations, Eighth Edition, Brooks/Cole, Boston MA, 2013.
18. Clive Dym, Principles of mathematical modeling, 2nd edition. Amsterdam, Academic Press, 2004.
19. R. Dobrow, Introduction to Stochastic Processes with R, Wiley, Hoboken, New Jersey, 2016.
20. J. Devore, Probability and Statistics for Engineering and the Sciences, Cengage Learning, Boston, MA, 2016.
21. B. Dacorogna, Calculus of Variations, Imperial College Press, London, 2009.