Based on the experimentally established data on the parameters of microstructure, elemental and fractional composition of titanium alloy powders, four classes of their conformity (a material with excellent properties, optimal properties, possible defects in the material and defective material) as source raw materials for the additive technologies are identified. The basic characteristics of the material, which determine its belonging to a certain class, are established. Training and test samples based on 20 features that characterize each of the four classes of titanium alloy powders for the implementation of machine learning procedures were built. The developed method for identification of the class of material, based on the use of the second-order Kolmogorov-Gabor polynomial and the Random Forest algorithm, is described. An experimental comparison of the developed method work results with existing methods: Random Forest, Logistic Regression, and Support Vectors Machines based on the accuracy of their work in the training and application modes was made. The visualization of the results of all the investigated methods was given.The developed supervised learning method allows constructing models for processing a large number of each input vector characteristics. In this case, the Random Forest algorithm provides satisfactory generalization properties while retaining the advantages of an additional increase of the accuracy based on the Kolmogorov-Gabor polynomial.The main advantages of the developed method, in particular, regarding the additional increase of the accuracy of the classification task solution, are experimentally determined. The developed method allows increasing the modeling accuracy by 34.38, 33.34 and 3.13 % compared with the methods: Support Vectors Machine, Logistic Regression, and Random Forest respectively.The obtained results allow one to considerably reduce financial and time expenses during the manufacture of products by additive technologies methods. The use of artificial intelligence tools can reduce the complexity and energy efficiency of experiments to determine the optimum characteristics of powder materials.
На основе экспериментально установленных данных о параметрах микроструктуры, элементного и фракционного состава порошков титановых сплавов выделено четыре класса их соответствия как исходного сырья для аддитивных технологий ‑ материал с отличными свойствами, оптимальными свойствами, в материале возможные дефекты и бракованный материал. Установлены основные характеристики материала, которые определяют его принадлежность к определенному классу. Для реализации процедур машинного обучения построено учебную и тестовую выборки на основе 20 признаков, которые характеризуют каждый из четырех классов порошков титановых сплавов. Описан разработанный метод идентификации класса материала, основанный на совместном использовании полинома Колмогорова-Габора второй степени и Аалгоритма случайного леса. На основе точности работы в режимах обучения и применения проведено экспериментальное сравнение результатов работы разработанного метода с результатами работы существующих методов: Случайного леса, Логистической регрессии и Машины опорных векторов. Приведена визуализация результатов работы всех исследованных методов.Разработанный метод управляемого обучения позволяет строить модели обработки большого количества признаков каждого входного вектора. При этом обеспечиваются удовлетворительные генерализирующие свойства Алгоритмом случайного леса при сохранении преимуществ дополнительного повышения точности на основе полинома Колмогорова-Габора.Экспериментально установлены основные преимущества разработанного метода, в частности относительно дополнительного повышения точности решения задачи классификации. Разработанный метод позволяет повысить точность моделирования на 34,38; 33,34 и 3,13 % по сравнению с методами: Машина опорных векторов, Логистическая регрессия и Случайный лес соответственно.Полученные результаты позволяют значительно сократить финансовые и временные затраты при изготовлении изделий методами аддитивных технологий. Применение инструментария искусственного интеллекта позволяет уменьшить трудоемкость и энергозатратность экспериментов по определению оптимальных характеристик порошковых материалов
На основі експериментально встановлених даних щодо параметрів мікроструктури, елементного та фракційного складу порошків титанових сплавів виділено чотири класи їх відповідності як вихідної сировини для адитивних технологій – матеріал з відмінними властивостями, оптимальними властивостями, в матеріалі можливі дефекти і бракований матеріал. Встановлено основні характеристики матеріалу, які визначають його приналежність до певного класу. Для реалізації процедур машинного навчання побудовано навчальну та тестову вибірки на основі 20 ознак, які характеризують кожен з чотирьох класів порошків титанових сплавів. Описано розроблений метод ідентифікації класу матеріалу, який базується на сумісному використанні поліному Колмогорова-Габора другого степеня та алгоритмі Випадкового лісу. На основі точності роботи в режимах навчання та застосування проведено експериментальне порівняння результатів роботи розробленого методу з результатами роботи існуючих методів: Випадкового лісу, Логістичної регресії та Машини опорних векторів. Наведено візуалізацію результатів роботи усіх досліджених методів.Розроблений метод керованого навчання дозволяє будувати моделі опрацювання великої кількості ознак кожного вхідного вектора. При цьому алгоритмом Випадкового лісу забезпечуються задовільні генералізуючі властивості при збереженні переваг додаткового підвищення точності на основі полінома Колмогорова-Габора.Експериментально встановлено основні переваги розробленого методу, зокрема щодо додаткового підвищення точності розв’язання задачі класифікації. Розроблений метод дозволяє підвищити точність моделювання на 34,38; 33,34 та 3,13 % порівняно з методами: Машина опорних векторів, Логістична регресія та Випадковий ліс відповідно.Отримані результати дозволяють значно скоротити фінансові та часові витрати під час виготовлення виробів методами адитивних технологій. Застосування інструментарію штучного інтелекту дозволяє зменшити трудомісткість та енерговитратність експериментів з визначення оптимальних характеристик порошкових матеріалів