Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів
In the context of digital transformation and sustainable development, a synergy between artificial intelligence and materials science is emerging. In particular, within the framework of Industry 4.0, researchers in the fields of G8 “Materials Science” and G10 “Metallurgy” focus on the implementation...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Physico-technological Institute of Metals and Alloys
2026
|
| Теми: | |
| Онлайн доступ: | https://www.metalsandcasting.com/index.php/mcu/article/view/332 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Metal and Casting of Ukraine |
| Завантажити файл: |  |
Репозитарії
Metal and Casting of Ukraine| _version_ | 1870287589360009216 |
|---|---|
| author | Воденнікова, О.С. Воденніков, С.А. |
| author_facet | Воденнікова, О.С. Воденніков, С.А. |
| author_institution_txt_mv | [
{
"author": "О.С. Воденнікова",
"institution": "Запорізький національний університет (Запоріжжя, Україна)"
},
{
"author": "С.А. Воденніков",
"institution": "Національний університет «Запорізька політехніка» (Запоріжжя, Україна)"
}
] |
| author_sort | Воденнікова, О.С. |
| baseUrl_str | https://www.metalsandcasting.com/index.php/mcu/oai |
| collection | OJS |
| datestamp_date | 2026-07-09T11:02:55Z |
| description | In the context of digital transformation and sustainable development, a synergy between artificial intelligence and materials science is emerging. In particular, within the framework of Industry 4.0, researchers in the fields of G8 “Materials Science” and G10 “Metallurgy” focus on the implementation of digital technologies for the creation of “smart” materials, modeling of material properties and structures, automation of production processes, and the development of digital twins, among other areas. This study emphasizes the use of artificial intelligence (AI) to enhance the quality of microfractographic images of metal and alloy structures (including the removal of scratches and dust, as well as improved sharpness, contrast, and grain detail), followed by the creation of NanoArt images in the form of landscapes, animals, objects, and other artistic compositions. As AI-based tools for creating NanoArt images, both specialized scientific software (MountainsMap, Gwyddion, ImageJ/Fiji) and graphic editors with AI support (Adobe Photoshop with the Generative Fill function, Affinity Photo, Luminar Neo), generative neural networks (ChatGPT, Midjourney, Stable Diffusion, Adobe Firefly), and mobile applications (Prisma or Pikazo) can be utilized. The study also examines the application of various AI tools as well as different visual stylizations (e.g., LEGO-style, porcelain style, 3D style, knitted style, puzzle style, and others), which enable the exploration of diverse forms, textures, materials, and visual effects and are significant for the creation of NanoArt and other creative digital images. Special attention is given to the aesthetic aspect of the resulting NanoArt images: the transformation of black-and-white images of metal and alloy structures into multicolored artistic compositions demonstrates the beauty of the microworld and the ability to perceive not only the functional but also the artistic value of research outcomes. |
| doi_str_mv | 10.15407/steelcast2026.02.078 |
| first_indexed | 2026-07-10T01:00:38Z |
| format | Article |
| fulltext |
78 ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026. № 2 (345), 78-88
РЕСУРСО- ТА ЕНЕРГОЗБЕРЕЖЕННЯ НА ПІДПРИЄМСТВАХ
МЕТАЛУРГІЙНОЇ ГАЛУЗІ І У ЛИВАРНИХ ЦЕХАХ
RESOURCE AND ENERGY SAVING IN METALLURGY AND FOUNDRY
_____________________________________________________________________________________
Стаття опублікована на умовах відкритого доступу за ліцензією CC BY license
(https://creativecommons.org/licenses/by/4.0/)
ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026, № 2 (345), 78-88
https://doi.org/10.15407/steelcast2026.02.078
УДК 620.22:620.3]:7.012+669.056]:004.89
О.С. Воденнікова1, канд. техн. наук, доц., доц., e-mail: oksana_vodennikova@ukr.net, https://orcid.org/0000-0003-0496-5435
С.А. Воденніков2, д-р техн. наук, проф., проф., e-mail: s_vodennikov@i.ua, https://orcid.org/0000-0002-5563-5244
1Запорізький національний університет (Запоріжжя, Україна)
2Національний університет «Запорізька політехніка» (Запоріжжя, Україна)
Синергія штучного інтелекту та
матеріалознавства при створенні зображень
НаноАрт на основі структур металів та сплавів
В умовах цифрової трансформації та сталого розвитку відбувається синергія штучного інтелекту та мате-
ріалознавства. Зокрема, у контексті Індустрії 4.0 науковці за спеціальностями G8 «Матеріалознавство» та G10
«Металургія» фокусуються на впровадженні цифрових технологій для створення «розумних» матеріалів, моделю-
вання властивостей та структури матеріалів, автоматизації виробничих процесів, створенні цифрових двійників
та інше. У роботі акцентується увага на використанні штучного інтелекту (ШІ) для покращення якості мікрофрак-
тографій структур металів та сплавів (видалення подряпин й пилу, підвищення різкості, контрасту, деталізації
зерен та інше) з подальшим створенням зображень НаноАрт у вигляді пейзажів, тварин, предметів та іншого. В
якості інструментів штучного інтелекту при створенні зображень НаноАрт представляється можливим викорис-
тання як спеціалізованого наукового програмного забезпечення (MountainsMap, Gwyddion, ImageJ/Fiji), так і гра-
фічних редакторів з підтримкою штучного інтелекту (Adobe Photoshop (з функцією Generative Fill), Affinity Photo,
Luminar Neo), генеративних нейромереж (ChatGPT, Midjourney, Stable Diffusion, Adobe Firefly) та мобільних до-
датків (Prisma або Pikazo). В роботі також розглядаються питання застосування як різних інструментів штучного
інтелекту, так і різних візуальних стилізацій зображення (наприклад, у стилі LEGO, порцеляновому стилі, 3D стилі,
в’язаному стилі, стилі пазлів та інших), що в свою чергу дозволяє досліджувати різні форми, текстури, матеріали
й візуальні ефекти і має важливе значення для створення зображень НаноАрт й креативних цифрових зображень.
Особлива увага приділяється естетичному аспекту отриманих зображень НаноАрт: перетворення чорно-білого
зображення структур металів і сплавів в різнокольорові картини демонструє красу мікросвіту, здатності бачити не
лише функціональне, а й художнє призначення результатів своїх досліджень.
Ключові слова: матеріалознавство, цифровізація, цифрова металографія, структура металів і сплавів, штучний
інтелект, інструменти штучного інтелекту, ChatGPT, НаноАрт, стилізація зображень.
Вступ. На сьогодні в контексті все більшої
цифровізації та автоматизації виробничих
процесів концепція Індустрії 4.0 постає як
невід’ємна складова досягнення Цілей ста-
лого розвитку до 2030 року. Необхідні координовані
зусилля на глобальному та національному рівнях
щодо забезпечення рівного доступу до цифрових
технологій, розбудови відповідної інфраструктури
та створення сприятливих умов для інновацій та
розвитку промисловості [1]. Перехід до цифровізації
матеріалознавства відкриває нові можливості для
прогнозування властивостей матеріалів, оптимізації
їх складу й структури, а також скорочення часу між
науковою ідеєю та її практичною реалізацією [2—
4]. Цифрові технології, від штучного інтелекту до
відкритих наукових платформ, дедалі активніше
змінюють те, як ми досліджуємо матеріали. Сучас-
не матеріалознавство вже не уявити без симуляцій,
алгоритмів прогнозування та доступу до глобальних
баз даних [5].
Використання методів машинного навчання, зо-
крема глибинного навчання, пришвидшує проце-
79ISSN 2077-1304. Метал та лиття України, vol. 34, 2026. № 2 (345), 78-88
Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт
си відкриття нових функціональних матеріалів за
рахунок того, що дає змогу аналізувати величезні
масиви експериментальних даних та результатів
комп’ютерного моделювання, ідентифікувати
приховані закономірності та встановлювати кореляції
між складом, структурою та макроскопічними
властивостями. Алгоритми машинного навчан-
ня успішно використовуються для прогнозування
термодинамічної стабільності та механічних характе-
ристик сплавів, а також для моделювання процесів
синтезу та обробки матеріалів. Моделі глибинно-
го навчання демонструють високу ефективність у
розпізнаванні мікроструктур за зображеннями, от-
риманими за допомогою електронної мікроскопії,
що сприяє автоматизації аналізу та контролю якості.
Крім того, методи штучного інтелекту є незамінними
для виявлення оптимальних умов кристалізації, що
забезпечує спрямований дизайн матеріалів із зада-
ними властивостями [6].
Більш детально сучасний огляд перспектив впли-
ву машинного навчання, глибокого навчання та штуч-
ного інтелекту на матеріалознавство, технологічні
процеси, проєктування конструкцій та механічних
властивостей матеріалів представлено в роботах
[7—13].
Безпосередньо поява високопродуктивних обчис-
лювальних методів проєктування матеріалів призве-
ла до створення безлічі баз даних матеріалів, таких
як AFLOW, Materials Project (MP), MATDAT, MatWeb,
MatMatch, MakeItForm та MatNavi. Ці бази даних
містять величезну кількість властивостей матеріалів
(сталей, алюмінієвих та титанових сплавів, композитів,
нанопористих матеріалів та інших), отриманих з ек-
спериментальних вимірювань і розрахунків з перших
принципів, включаючи механічні властивості, такі як
постійна пружності, міцність на розтяг/згин/зсув/вто-
му, тріщиностійкість, твердість і так далі [14].
У майбутньому за допомогою різноманітних
інструментів штучного інтелекту стане можливим
проєктування високоентропійних сплавів, високо-
температурних суперсплавів, термоелектричних
матеріалів, двомірних матеріалів, магнітокалоричних
матеріалів, надпровідників, металевого скла, припоїв,
чутливих композитних матеріалів, топологічних
матеріалів та інше [15—26].
Постановка задачі. В умовах сьогодення штуч-
ний інтелект активно інтегрується в освітній процес:
персоналізує навчання, забезпечує адаптивність
та інтерактивність освіти [27—29]. Впроваджен-
ня віртуальної, доповненої та змішаної реальності
сприяє глибшому зануренню у навчальні матеріали.
Це покращує засвоєння знань та розвиток практич-
них навичок, розвиток цифрової компетентності та
креативного мислення, що дозволяє здобувачам
освіти ефективно використовувати сучасні технології
у професійній діяльності [30]. Під час освітнього про-
цесу викладачі та здобувачі вищої освіти можуть ви-
користовувати наступні програми штучного інтелекту:
GitHub Education for Teachers, GitHub Education
for Students, GitHub Education for Schools, Azure for
Students, AAWS Academy, WS Educate, Canva for
Education та інші [31].
Сучасний формат дистанційного навчання
створює для здобувачів вищої освіти, що навчаються
за спеціальностями G8 «Матеріалознавство» та G10
«Металургія», низку викликів, зокрема пов’язаних із
самоорганізацією, мотивацією та технічним забез-
печенням освітнього середовища. Здобувачі вищої
освіти під впливом сучасних цифрових технологій
стикаються з необхідністю формування та розвитку
цифрових компетентностей. Інтерактивні технології
дозволяють активізувати освітній процес, зроби-
ти його більш цікавим. Особливої уваги заслуговує
креативність у навчанні, яка дозволяє формува-
ти індивідуальні освітні траєкторії, підвищувати
мотивацію до навчання та розвивати критичне мис-
лення. Так, наприклад, поєднання мистецтва та
матеріалознавства у вигляді зображень НаноАрт
створює передумови для підвищення мотивації до
вивчення матеріалознавства та глибшого розуміння
наноструктур.
Метою роботи є дослідження можливо-
стей використання штучного інтелекту в умовах
цифровізації освітнього процесу, зокрема під час об-
робки та аналізу структур металів і сплавів, а також
обґрунтування значущості створення зображень На-
ноАрт як засобу розвитку креативності навчання й
наочної демонстрації потенціалу сучасних цифрових
технологій у формуванні мікроскопічних арт-об’єктів.
Для досягнення поставленої мети в роботі
необхідно вирішити наступні науково-технічні за-
вдання:
— проаналізувати можливості використання
інструментів штучного інтелекту для обробки та
аналізу структур металів і сплавів;
— дослідити особливості створення зображень
НаноАрт за допомогою різних інструментів штучного
інтелекту;
— оцінити освітній потенціал НаноАрт як
інструменту розвитку креативності;
— надати рекомендації щодо етичного та
раціонального використання ШІ при створенні зобра-
жень НаноАрт.
Об’єкт та методика дослідження. Об’єктом
дослідження є процес використання штучного
інтелекту в умовах цифровізації освітнього процесу
під час аналізу мікроструктур металів і сплавів. Пред-
метом дослідження є методи та можливості засто-
сування інструментів штучного інтелекту для оброб-
ки, аналізу та візуалізації структур металів і сплавів,
зокрема шляхом створення зображень НаноАрт.
У роботі використано загальнонаукові, педагогічні
та прикладні методи дослідження, зокрема аналіз і
синтез наукових джерел, педагогічне спостереження,
комп’ютерну обробку зображень, інструменти штуч-
ного інтелекту та візуальний аналіз, що дало змогу
комплексно дослідити можливості використання ШІ в
освітньому процесі.
Матеріали та методика дослідження.
Дослідження можливостей використання штучного
інтелекту в умовах цифровізації освітнього процесу
проводилося в кілька етапів:
80 ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026. № 2 (345), 78-88
О.С. Воденнікова, С.А. Воденніков
— аналітичний етап, що передбачав аналіз і уза-
гальнення наукових джерел з проблем цифровізації
освітнього процесу, використання штучного інтелекту
та креативного навчання;
— практичний етап, який включав цифрову об-
робку зображень мікроструктур металів і сплавів із
застосуванням інструментів штучного інтелекту і без-
посередньо процес створення зображень НаноАрт;
— педагогічний етап, спрямований на спосте-
реження та аналіз впливу використання цифрових
технологій і НаноАрт на навчальну мотивацію та
креативність здобувачів вищої освіти;
— узагальнювальний етап, на якому здійснювався
аналіз отриманих результатів і формулювання за-
гальних висновків.
В роботі використовуються структури металів і
сплавів з атласів структур металів та сплавів [32, 33].
Для створення зображень у стилі НаноАрт за допомо-
гою графічних редакторів Paint 3D та Adobe Photoshop
використовується методологія, описана в роботах
[34, 35]. Для покращення якості мікрофрактографій
структур металів та сплавів (зокрема, видалення
подряпин й пилу, підвищення різкості, контрасту,
деталізації зерен та інше) за допомогою ChatGPT 5.2
використовується методологія, описана в роботі [36].
У ролі інструментів штучного інтелекту при
створенні зображень НаноАрт представляється мож-
ливим використання:
— спеціалізованого наукового програмного забез-
печення (для «псевдозабарвлення»): MountainsMap,
Gwyddion, ImageJ/Fiji;
— графічних редакторів з підтримкою штучного
інтелекту: Adobe Photoshop (з функцією Generative
Fill), Affinity Photo, Luminar Neo;
— генеративних нейромереж (для художньої
стилізації): ChatGPT, Midjourney, Stable Diffusion,
Adobe Firefly;
— мобільних додатків (для швидких
експериментів): Prisma або Pikazo.
Для професійного створення зображення На-
ноАрт доцільно використовувати зв’язку: Gwyddion
(підготовка рельєфу) → Topaz Photo AI (покращення
чіткості) → Photoshop (художня обробка).
Результати дослідження. В роботі пропонується
використання як різних інструментів штучного
інтелекту, так і різних візуальних стилізацій, що за-
стосовуються у цифровому мистецтві та генерації
зображень засобами штучного інтелекту. При
цьому вибір інструменту штучного інтелекту при
створюванні зображень НаноАрт залежить насампе-
ред від поставленої мети та вимог до кінцевого ре-
зультату. Вибір же візуальних стилізацій на кшталт
LEGO, порцеляни, 3D, акварелі, глини, в’язаного
арту, пазлів — це частина візуальних сьогоденних
трендів, обумовлений стрімким розвитком цифрових
технологій, доступністю інструментів генерації зобра-
жень, а також зростаючим попитом на естетику, що
сприяє емоційній зрозумілості візуальних образів.
Зміна інструменту ШІ зумовлює варіативність
візуального результату: одне й те саме зображен-
ня, виконане в межах однакової стилізації, набуває
різних візуальних характеристик. Це пояснюється
відмінностями в архітектурі моделей, алгоритмах
генерації та підходах до інтерпретації форми, тексту-
ри й кольору в різних AI-системах. Наприклад, такі
інструменти ШІ, як ChatGPT (із функціями генерації
зображень), Stable Diffusion, Midjourney, DALL·E, ши-
роко використовуються для створення НаноАрт та
художньої візуалізації мікро- і наноструктур. Викори-
стання різних платформ ШІ дозволяє досліджувати
широкий спектр художніх інтерпретацій наукових
образів і підкреслює експериментальний характер
поєднання ШІ, науки й дизайну.
Наприклад, беручи за основу мікроструктуру ли-
варного сплаву алюмінію (не модифікований силумін)
(рис. 1а), за допомогою генеративної моделі штуч-
ного інтелекту ChatGPT 5.2 можна отримати різні
візуальні стилізації зображення НаноАрт «Примула»:
стиль LEGO (рис. 1в), в’язаний стиль (рис. 1д), порце-
ляновий стиль (рис. 1е), стиль пазлів (рис. 1ж), стилі
3D (рис. 1к), стилі акварель (рис. 1л) та стилі глини
(рис. 1м) та інші. Варто зазначити, що НаноАрт «При-
мула» символізує оновлення, початок нового життя
та пробудження, адже примула є однією з перших
квіток, що з’являється після зими. У контексті Нано-
Арт вона уособлює крихкість і водночас стійкість жит-
тя на мікрорівні, гармонію природних форм і складних
внутрішніх структур, а також надію на відродження,
розвиток і безперервність життєвих процесів.
Отже, представлені в роботі візуальні стилізації
зображення НаноАрт «Примула» передусім розкри-
вають можливості поєднання наукової візуалізації
з образною мовою сучасного дизайну, що сприяє
популяризації нанотехнологій і формуванню
зрозумілих візуальних наративів. У цьому контексті
вони постають як експеримент із формою, матеріалом
і сприйняттям, який демонструє, як одна ідея може
існувати в різних візуальних «тілах».
Такий підхід до взаємодії мистецтва й штучно-
го інтелекту відкриває нові можливості для творчо-
го переосмислення звичних образів. Водночас він
має практичну цінність, оскільки є корисним для на-
вчальних і наукових цілей, зокрема для пояснення
принципів стилізації та візуалізації складних структур.
Наступним етапом дослідження є аналіз мож-
ливостей використання різних програмних засобів
і платформ штучного інтелекту для створення На-
ноАрт в межах єдиного стилістичного підходу. Зо-
крема, розглядається 3D-стилізація, яка дозволяє
наочно відтворити просторову організацію мікро- та
наноструктур, підкреслити їхню об’ємність, рельєф і
взаємне розташування елементів, а також покращи-
ти розуміння структурно-функціональних особливо-
стей матеріалів.
Розглянемо як приклад методологію стилізації
зображення НаноАрт «Соняшники», отримано-
го зі мікроструктури чавуну з кулястим графітом на
феритній основі (рис. 2а), в 3D-стиль за допомогою
різних інструментів штучного інтелекту. Слід зазна-
чити, що квітка соняшнику символізує сонце, тепло,
відновлення та життєву силу, тому й НаноАрт «Со-
няшники» підкреслює невичерпну енергію життя
81ISSN 2077-1304. Метал та лиття України, vol. 34, 2026. № 2 (345), 78-88
Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт
НаноАрт «Примула»: а — вихідна мікроструктура ливарного сплаву алюмінію (не модифікований силумін), ×200 [32]; б — На-
ноАрт, створений за допомогою графічного редактора Adobe Photoshop; в–м — НаноАрт, створений за допомогою генеративної моделі
штучного інтелекту ChatGPT 5.2 відповідно в стилі LEGO (в), в’язаному стилі (д), порцеляновому стилі (е), стилі пазлів (ж), стилі 3D (к),
стилі акварель (л) та стилі глини (м)
Рис. 1.
82 ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026. № 2 (345), 78-88
О.С. Воденнікова, С.А. Воденніков
НаноАрт «Соняшники»: а — вихідна мікроструктура чавуну з кулястим графітом на феритній основі, ×100 [33]; б — НаноАрт,
створений за допомогою графічного редактора Adobe Photoshop; в–ж — НаноАрт, створений в 3D стилі відповідно за допомогою різних
генеративних моделей штучного інтелекту: ChatGPT 5.2 (в), Stable Diffusion (д), Seedream 4.5 (е) (платформа EaseMate AI), Midjourney (ж)
(платформа EaseMate AI), FLUX Kontext Max (к) (платформа EaseMate AI), Adobe Firefly (л)
Рис. 2.
83ISSN 2077-1304. Метал та лиття України, vol. 34, 2026. № 2 (345), 78-88
Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт
навіть у мікросвіті, демонструючи гармонію між при-
родою та наукою, а також красу й силу, приховані у
найменших структурах буття.
Для найбільш швидкої генерації
високодеталізованих зображень мікроструктур
у 3D-стилі як інструмент штучного інтелекту
використовується ChatGPT 5.2. Отриманий ре-
зультат (рис. 2в) вирізняється високою точністю,
реалістичною деталізацією та візуальною виразністю,
що дозволяє ефективно передавати складну структу-
ру мікросвіту.
В якості другого інструменту ШІ використовується
генеративна нейромережа Stable Diffusion. Механізм
створення зображень відбувається за наступним
ланцюгом: Stable Diffusion → Редактор зображень →
Модель → Стиль (обираємо 3D анімація) = готове зо-
браження (рис. 2д).
Наступник крок — зміна інструменту штучного
інтелекту на платформу EaseMate AI (генератор зо-
бражень на основі ШІ). Механізм створення зобра-
ження відбувається також дотримуючись наступної
послідовності дій: платформа EaseMate AI → AI Кон-
вертер Фото → Стиль зображення (обираємо 3D) →
Модель (обираємо Seedream 4.5, Midjourney та FLUX
Kontext Max) = готове зображення (рис. 2е, рис. 2ж та
рис. 2к). Слід зазначити, що Midjourney є оптималь-
ним інструментом для художньої стилізації та досяг-
нення «вау-ефекту», оскільки він забезпечує вираз-
ну естетичну інтерпретацію, працюючи з кольором і
освітленням як художник.
Представляється можливим також 3D-стилізація
зображення НаноАрт «Соняшники» за допомогою
генеративної платформи Adobe Firefly (рис. 2л). Отри-
маний результат (рис. 2л) відрізняється від попередніх
зображень тим, що стилізація накладається обереж-
но, без радикальної зміни композиції. Сам Firefly
оптимізований під дизайн, тому і зображення має
«чистіший» комерційний вигляд.
Отже, представлена вище методологія стилізації
зображення НаноАрт відкриває дослідникові
можливість розкрити власний творчий потенціал,
представити результати своєї роботи широкій
аудиторії, розвинути міждисциплінарні компетент-
ності та сформувати інноваційне мислення.
Одним з напрямів подальших досліджень
відповідно до представленої вище роботи є погли-
блене вивчення можливостей застосування ШI для
створення та аналізу зображень НаноАрт, інтеграції
цих технологій в освітній процес, а також розробка
методичних підходів до використання зображень На-
ноАрт як інструменту розвитку креативного мислення
та міждисциплінарних компетентностей здобувачів
вищої освіти.
Серед рекомендацій для науковців та
здобувачів вищої освіти за спеціальностями G8
«Матеріалознавство» та G10 «Металургія» щодо
етичного та раціонального використання штучного
інтелекту при створенні та обробці зображень Нано-
Арт слід виділити:
1. Необхідно використовувати штучний інтелект як
інструмент візуалізації, а не джерело наукових істин.
Згенеровані зображення НаноАрт слід засто-
совувати для ілюстрації та кращого розуміння
мікроструктур металів і сплавів, обов’язково звіряючи
їх із реальними мікрофотографіями, фазовими
діаграмами та навчально-науковою літературою.
2. Слід перевіряти наукову коректність зображень.
Під час роботи зі штучним інтелектом необхідно
критично оцінювати відповідність згенерованих
зображень реальним структурним елементам
матеріалів (зокрема зернам, межам зерен, фазам
та неметалевим включенням), а також коректність
відображення їхніх масштабних і морфологічних ха-
рактеристик.
3. Треба зазначати в навчальних (презентаціях,
рефератах, курсових та кваліфікаційних роботах) та
наукових роботах (статтях, тезах доповідей) не лише
ступінь використання штучного інтелекту, а й обрані
інструменти та платформи, налаштування й параме-
три, критичний аналіз результатів, внесок людини та
дотримання етичних і правових норм.
4. Варто поєднувати аналітичну та творчу складові
навчання.
Використання зображень НаноАрт має доповню-
вати аналітичний аналіз мікроструктур металів та
сплаві, сприяючи розвитку креативного мислення без
втрати інженерної та наукової точності.
5. Необхідно формувати цифрову та професійну
компетентності здобувачів вищої освіти.
Насамперед доцільно розвивати навички робо-
ти з цифровими інструментами ШІ разом із умінням
інтерпретувати отримані результати з позицій
матеріалознавства та металургії.
6. Належить дотримуватися принципів академічної
доброчесності.
Забороняється використовувати ШІ для автома-
тичного створення повних навчальних або наукових
робіт без власного аналізу та висновків.
7. Слід враховувати етичні та правові аспекти за-
стосування штучного інтелекту.
Необхідно зважати на авторські права та умови
використання різних платформ штучного інтелекту,
особливо при публікації зображень НаноАрт у
відкритому доступі.
Висновки
1. Визначено, що штучний інтелект активно
інтегрується в освітній процес, персоналізуючи
навчання та забезпечуючи адаптивність та
інтерактивність освіти. Він насамперед є ефектив-
ним інструментом оптимізації освітнього процесу та
сприяє полегшенню роботи як науково-педагогічних
працівників, так і здобувачів вищої освіти, відкриваючи
широкі можливості для підвищення якості освіти. Во-
дночас ШІ не може повністю замінити традиційне на-
вчання, а виступає лише допоміжним засобом, здат-
ним суттєво збагатити організацію освітнього про-
цесу та підвищити якість надання освітніх послуг за
умови його етичного й раціонального використання.
2. Проаналізовано переваги й обмеження за-
84 ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026. № 2 (345), 78-88
О.С. Воденнікова, С.А. Воденніков
стосування генеративних інструментів штучного
інтелекту в освітньо-науковій діяльності. Надано
рекомендації для науковців та здобувачів вищої
освіти за спеціальностями G8 «Матеріалознавство»
та G10 «Металургія» щодо етичного та раціонального
використання штучного інтелекту при створенні та
обробці зображень НаноАрт, спрямовані на дотри-
мання академічної доброчесності, розвитку циф-
рових компетентностей та забезпечення наукової
достовірності результатів освітньої діяльності.
3. Показано доцільність використання зобра-
жень НаноАрт як інноваційного засобу візуалізації
мікроскопічних структур в освітньому процесі, що,
своєю чергою, сприяє розвитку креативного мис-
лення, формуванню цифрової компетентності та
підвищенню навчальної мотивації здобувачів вищої
освіти.
4. Встановлено, що комбінування різних
інструментів штучного інтелекту з різноманітними
стилями візуалізації зображень (зокрема, стиль
LEGO, порцеляновий стиль, 3D стиль, в’язаний
стиль, стиль пазлів тощо) сприяє творчим експери-
ментам із формами, текстурами, матеріалами та
візуальними ефектами, що відіграє ключову роль у
створенні зображень НаноАрт та креативних цифро-
вих зображень.
ЛІТЕРАТУРА
1. Зелінська Д. Індустрія 4.0 та її вплив на країни світу в контексті досягнення цілей сталого розвитку — 2030. Галицький
економічний вісник. 2024. Том 91. № 6. С. 133—141. https://doi.org/10.33108/galicianvisnyk_tntu2024.06.133
2. Kalidindi S.R., Graef M.De. Materials Data Science: Current Status and Future Outlook. Annual Review of Materials Research.
2015. Vol. 45. P. 171—193. https://doi.org/10.1146/annurev-matsci-070214-020844
3. Pasupuleti M.K. Chapter IV: AI-Powered Materials Innovation: Accelerating Design and Discovery in Advanced Materials.
International Journal of Academic and Industrial Research Innovations. 2024. Vol. 04. Iss. 11. P. 112—162. https://doi.
org/10.62311/nesx/46618
4. Agrawal A., Choudhary A. Perspective: Materials informatics and big data: Realization of the «fourth paradigm» of science in
materials science. APL Materials. 2016. Vol. 4. Iss. 5. 053208. https://doi.org/10.1063/1.4946894
5. Ковальов Ю.Г., Аулін В.В., Ковальов С.Г., Кузик О.В., Гриньків А.В. Штучний інтелект у матеріалознавчих дослідженнях:
тенденції, інструменти та трансформації. Центральноукраїнський науковий вісник. Технічні науки. 2025. Вип. 12(43).
Ч. IІ. С. 134—142. https://doi.org/10.32515/2664-262X.2025.12(43).2.134-142
6. Пашинська О.Г., Завдовєєв А.В. Штучний інтелект у матеріалознавстві: зміни у відкритті та розробці матеріалів. На-
уковий Журнал Метінвест Політехніки. Серія: Технічні науки. 2025. № 5. С. 152—163. https://doi.org/10.32782/3041-
2080/2025-5-17
7. Dimiduk D.M., Holm E.A., Niezgoda S.R. Perspectives on the Impact of Machine Learning, Deep Learning, and Artificial
Intelligence on Materials, Processes, and Structures Engineering. Integrating Materials and Manufacturing Innovation. 2018.
Vol. 7. P. 157—172. https://doi.org/10.1007/s40192-018-0117-8
8. Абрамович А.О., Зайцев Є.О., Піддубний В.О. Застосування штучного інтелекту для ідентифікації металів вихростру-
мовою системою. Scientific Collection «InterConf+». Proceedings of the 8th International Scientific and Practical Conference
“Theory and Practice of Science: Key Aspects” (July 19–20, 2023, Rome, Italy). 2023. № 35(163). C. 287—298. https://doi.
org/10.51582/interconf.19-20.07.2023.028
9. Ковальов Ю.Г., Аулін В.В., Ковальов С.Г., Кузик О.В., Гриньків А.В. Цифровізація матеріалознавства й напрями викори-
стання штучного інтелекту. Вісник Харківського національного автомобільно-дорожнього університету. 2025. № 111.
С. 67—74. https://doi.org/10.30977/BUL.2219-5548.2025.111.0.67
10. Goswami L., Deka M.K., Roy M. Artificial Intelligence in Material Engineering: A Review on Applications of Artificial Intelligence
in Material Engineering. Advanced Engineering Materials. 2023. Vol. 25. Iss. 13. 2300104. https://doi.org/10.1002/
adem.202300104
11. Xu Y., Liu X., Cao X. et al. Artificial intelligence: A powerful paradigm for scientific research. The Innovation. 2021. Vol. 2.
Iss. 4. 100179. https://doi.org/10.1016/j.xinn.2021.100179
12. Yang H., Qiu H., Xiang Q., Tang S., Guo H. Exploring Elastoplastic Constitutive Law of Microstructured Materials Through
Artificial Neural Network — A Mechanistic-Based Data-Driven Approach. Journal of Applied Mechanics. 2020. Vol. 87. Iss. 9.
091005. https://doi.org/10.1115/1.4047208
13. Wang K., Sun W. Meta-modeling game for deriving theory-consistent, microstructure-based traction–separation laws via deep
reinforcement learning. Computer Methods in Applied Mechanics and Engineering. 2019. Vol. 346. P. 216—241. https://doi.
org/10.1016/j.cma.2018.11.026
14. Guo K., Yang Z., Yu C.-H., Buehler M.J. Artificial intelligence and machine learning in design of mechanical materials. Materials
Horizons. 2021. No. 8. P. 1153—1172. https://doi.org/10.1039/d0mh01451f
15. Xie E., Yang C. AI Design for High Entropy Alloys: Progress, Challenges and Future Prospects. Metals. 2025. No. 15(9). 1012.
https://doi.org/10.3390/met15091012
16. Kumar A., Mukhopadhyay N.K., Yada T.P. Recent progresses on high entropy alloy development using machine learning: A
review. Computational Materials Today. 2025. Vol. 8. 100038. https://doi.org/10.1016/j.commt.2025.100038
85ISSN 2077-1304. Метал та лиття України, vol. 34, 2026. № 2 (345), 78-88
Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт
17. Lu B., Xia Y., Ren Y. et al. When Machine Learning Meets 2D Materials: A Review. Advanced Science. 2024. Vol. 11. Iss. 13.
2305277. https://doi.org/10.1002/advs.202305277
18. Xie W., Sun Y., Wang C., Li M., Li F., Liu Y. Artificial intelligence can recognize metallic glasses in vast compositional space with
sparse data. npj Computational Materials. 2025. Vol. 11. Article number: 254. https://doi.org/10.1038/s41524-025-01753-9
19. Wei Q., Cao B., Yuan H. et al. Divide and conquer: Machine learning accelerated design of lead-free solder alloys with high
strength and high ductility. npj Computational Materials. 2023. Vol. 9. Article number: 201. https://doi.org/10.1038/s41524-
023-01150-0
20. Han X.-Q., Wang X.-D., Xu M.-Y. et al. AI-Driven Inverse Design of Materials: Past, Present, and Future. Chinese Physics
Letters. 2025. Vol. 42. No. 2. 027403. https://doi.org/10.1088/0256-307X/42/2/027403
21. Yao J., Wang J., Yu W. et al. Alloy design integrating natural language processing and machine learning: breakthrough
development of low-cost, high-performance Ni-based single-crystal superalloys. npj Computational Materials. 2026. Vol. 12.
Article number: 38. https://doi.org/10.1038/s41524-025-01906-w
22. Wang Y., Wang K., Zhang C. Applications of artificial intelligence/machine learning to high-performance composites.
Composites. Part B: Engineering. 2024. Vol. 285. 111740. https://doi.org/10.1016/j.compositesb.2024.111740
23. Cao G., Ouyang R., Ghiringhelli L.M. et al. Artificial intelligence for high-throughput discovery of topological insulators:
The example of alloyed tetradymites. Physical Review Materials. 2020. No. 4. 034204. https://doi.org/10.1103/
PhysRevMaterials.4.034204
24. Zhang X., Wang X., Wang W. et al. Machine learning–driven thermoelectric materials: Review on prediction, optimization, and
discovery. Journal of Alloys and Compounds. 2026. Vol. 1050. 185711. https://doi.org/10.1016/j.jallcom.2025.185711
25. Kaplan D., Zheng A., Blawat J. et al. Deep learning-based superconductivity prediction and experimental tests. The European
Physical Journal Plus. 2025. Vol. 140. No. 58. https://doi.org/10.1140/epjp/s13360-024-05947-w
26. Mo W., Wang J., Yuan G., Cao D., Bai G. Application of machine learning in magnetocaloric materials: A review. Materials
Today Communications. 2025. Vol. 44. 111933. https://doi.org/10.1016/j.mtcomm.2025.111933
27. Сазанішвілі З.В., Мацюк І.М., Вернер І.В. Штучний інтелект в освітньому процесі студентів спеціальності 132
Матеріалознавство. Вісник Харківського національного автомобільно-дорожнього університету. 2024. № 107.
С. 69—73. https://doi.org/10.30977/BUL.2219-5548.2024.107.0.69
28. Коломієць А.М, Кушнір О.І. Використання штучного інтелекту в освітній та науковій діяльності: можливості та викли-
ки. Сучасні інформаційні технології та інноваційні методики навчання в підготовці фахівців: методологія, теорія,
досвід, проблеми. 2023. Вип. 70. С. 45—57. https://doi.org/10.31652/2412-1142-2023-70-45-57
29. Воденнікова О.С., Воденніков С.А., Борсук С.А. Використання штучного інтелекту в освітньому процесі за спеціальністю
G10 «Металургія». Наука і металургія: Всеукраїнська науково-технічна конференція: збірник тез (Дніпро, 19—20 ли-
стопада 2025 р.). Дніпро, 2025. C. 29.
30. Блощинський І.Г., Дияк В.В., Якимчук А.В., Палагнюк М.Г. Синергія імерсивних технологій і штучного інтелекту в освітній
діяльності. Вісник науки та освіти. 2025. № 5(35). С. 1054—1066. https://doi.org/10.52058/2786-6165-2025-5(35)-1054-
1066
31. Воденнікова О.С., Воденніков С.А., Борсук С.А. Використання штучного інтелекту в освітньому процесі за спеціальністю
G10 «Металургія». Сучасні технології промислового комплексу – 2025: міжнародна науково-практична конференція
(Херсон-Хмельницький, 17—19 вересня 2025р.). Херсон, Хмельницький: ХНТУ, 2025. № 9. C. 100—102.
32. Warmuzek M. Aluminum-silicon casting alloys: atlas of microfractographs. ASM International. 2004. 124 р. ISBN: 978-0-
87170-794-9
33. Большаков В.И., Сухомлин Г.Д., Лаухин Д.В. Атлас структур металлов и сплавов. Днепропетровск: ГВУЗ «ПГАСА»,
2010. 174 с.
34. Воденнікова О.С., Воденніков С.А., Піщенко К.А. НаноАрт та металургія: симбіоз мистецтва та нанотехнологій
під час війни. Метал та лиття України. 2025. Т. 33. № 3—4(342—343). C. 53—63. https://doi.org/10.15407/
steelcast2025.03-04.053
35. Воденнікова О.С., Воденніков С.А., Піщенко К.А. НаноАрт та металургія: використання інформаційних технологій при
обробці мікро-та макроструктур чорних та кольорових металів і сплавів. Наука та виробництво. 2025. № 30. C. 69—
80. https://doi.org/10.31498/2522-9990302025347069
36. Воденнікова О.С., Воденніков С.А. НаноАрт та металургія: використання штучного інтелекту для обробки струк-
тур металів та сплавів. Метал та лиття України. 2026. Т. 34. № 1 (344). С. 55—64. https://doi.org/10.15407/
steelcast2026.01.055
86 ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026. № 2 (345), 78-88
О.С. Воденнікова, С.А. Воденніков
1. Zelinska, D. (2024). Industry 4.0 and its impact on world countries in the context of achieving the 2030 sustainable development
goals. Galician economic journal, 91(6), 133-141. https://doi.org/10.33108/galicianvisnyk_tntu2024.06.133 [in Ukrainian].
2. Kalidindi, S. R., & Graef, M. De. (2015). Materials Data Science: Current Status and Future Outlook. Annual Review of
Materials Research, 45, 171-193. https://doi.org/10.1146/annurev-matsci-070214-020844
3. Pasupuleti, M. K. (2024). Chapter IV: AI-Powered Materials Innovation: Accelerating Design and Discovery in Advanced
Materials. International Journal of Academic and Industrial Research Innovations, 04(11), 112-162. https://doi.org/10.62311/
nesx/46618
4. Agrawal, A., & Choudhary, A. (2026). Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of
science in materials science. APL Materials, 4(5). 053208. https://doi.org/10.1063/1.4946894
5. Kovalov, Yu., Aulin, V., Kovalov, S., Kuzyk, O., & Hrynkiv, A. (2025). Artificial Intelligence in Materials Research: Trends,
Tools, and Transformations. Central Ukrainian Scientific Bulletin. Technical Sciences, 12(43), II, 134-142. https://doi.
org/10.32515/2664-262X.2025.12(43).2.134-142 [in Ukrainian].
6. Pashynska, O., & Zavdovieiev, A. (2025). Artificial intelligence in materials science: changes in materials discovery
and development. Scientific Journal of Metinvest Polytechnic. Series: Technical sciences, (5), 152-163. https://doi.
org/10.32782/3041-2080/2025-5-17 [in Ukrainian].
7. Dimiduk, D. M., Holm, E. A., & Niezgoda, S. R. (2018). Perspectives on the Impact of Machine Learning, Deep Learning, and
Artificial Intelligence on Materials, Processes, and Structures Engineering. Integrating Materials and Manufacturing Innovation,
7, 157-172. https://doi.org/10.1007/s40192-018-0117-8
8. Abramovich, A. O., Zaitsev, E. O., & Piddubny, V. O. (2023). Application of artificial intelligence for metal identification by eddy
current system. Scientific Collection “InterConf+”. Proceedings of the 8th International Scientific and Practical Conference
“Theory and Practice of Science: Key Aspects” (July 19-20, 2023, Rome, Italy), 35(163), 287-298. https://doi.org/10.51582/
interconf.19-20.07.2023.028 [in Ukrainian].
9. Kovalov, Yu., Aulin, V., Kovalov, S., Kuzyk, O., & Hrynkiv, A. (2025). Digitalization of Materials Science and Directions for the
Application of Artificial Intelligence. Bulletin of Kharkov National Automobile and Highway University, (111), 67-74. https://doi.
org/10.30977/BUL.2219-5548.2025.111.0.67 [in Ukrainian].
10. Goswami, L., Deka, M. K., & Roy, M. (2023). Artificial Intelligence in Material Engineering: A Review on Applications of
Artificial Intelligence in Material Engineering. Advanced Engineering Materials, 25(13). 2300104. https://doi.org/10.1002/
adem.202300104
11. Xu, Y., Liu, X., Cao, X. et al. (2021). Artificial intelligence: A powerful paradigm for scientific research. The Innovation, 2(4).
100179. https://doi.org/10.1016/j.xinn.2021.100179
12. Yang, H., Qiu, H., Xiang, Q., Tang, S., & Guo, H. (2020). Exploring Elastoplastic Constitutive Law of Microstructured Materials
Through Artificial Neural Network – A Mechanistic-Based Data-Driven Approach. Journal of Applied Mechanics, 87(9). 091005.
https://doi.org/10.1115/1.4047208
13. Wang, K., & Sun, W. (2019). Meta-modeling game for deriving theory-consistent, microstructure-based traction–separation
laws via deep reinforcement learning. Computer Methods in Applied Mechanics and Engineering, 346, 216-241. https://doi.
org/10.1016/j.cma.2018.11.026
14. Guo, K., Yang, Z., Yu, C.-H., & Buehler, M. J. (2021). Artificial intelligence and machine learning in design of mechanical
materials. Materials Horizons, (8), 1153-1172. https://doi.org/10.1039/d0mh01451f
15. Xie, E., & Yang, C. (2025). AI Design for High Entropy Alloys: Progress, Challenges and Future Prospects. Metals, 15(9).
1012. https://doi.org/10.3390/met15091012
16. Kumar, A., Mukhopadhyay, N. K., & Yada, T. P. (2025). Recent progresses on high entropy alloy development using machine
learning: A review. Computational Materials Today, 8, 100038. https://doi.org/10.1016/j.commt.2025.100038
17. Lu, B., Xia, Y., Ren, Y. et al. (2024). When Machine Learning Meets 2D Materials: A Review. Advanced Science, 11(13).
2305277. https://doi.org/10.1002/advs.202305277
18. Xie, W., Sun, Y., Wang, C., Li, M., Li, F., & Liu, Y. (2025). Artificial intelligence can recognize metallic glasses in vast compositional
space with sparse data. npj Computational Materials, 11, Article number: 254. https://doi.org/10.1038/s41524-025-01753-9
19. Wei, Q., Cao, B., Yuan, H., Chen, Y., You, K., Yu, S., Yang, T., Dong, Z., & Zhang, T.-Y. (2023). Divide and conquer: Machine
learning accelerated design of lead-free solder alloys with high strength and high ductility. npj Computational Materials, 9,
Article number: 201. https://doi.org/10.1038/s41524-023-01150-0
20. Han, X.-Q., Wang, X.-D., Xu, M.-Y., Feng, Z., Yao, B.-W., Guo, P.-J., Gao, Z.-F., & Lu, Z.-Y. (2025). AI-Driven Inverse Design of
Materials: Past, Present, and Future. Chinese Physics Letters, 42(2). 027403. https://doi.org/10.1088/0256-307X/42/2/027403
21. Yao, J., Wang, J., Yu, W., Chen, Y., Li, W., Wei, J., Zhao, Y., Wang, Y., Wang, L., Tan, L., Huang, L., Liu, F., & Liu, Y. (2026).
Alloy design integrating natural language processing and machine learning: breakthrough development of low-cost, high-
performance Ni-based single-crystal superalloys. npj Computational Materials, 12, Article number: 38. https://doi.org/10.1038/
s41524-025-01906-w
REFERENCES
87ISSN 2077-1304. Метал та лиття України, vol. 34, 2026. № 2 (345), 78-88
Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт
22. Wang, Y., Wang, K., & Zhang, C. (2024). Applications of artificial intelligence/machine learning to high-performance composites.
Composites. Part B: Engineering, 285. 111740. https://doi.org/10.1016/j.compositesb.2024.111740
23. Cao, G., Ouyang, R., Ghiringhelli, L. M., Scheffler, M., Liu, H., Carbogno, C., & Zhang, Z. (2020). Artificial intelligence for high-
throughput discovery of topological insulators: The example of alloyed tetradymites. Physical Review Materials, (4). 034204.
https://doi.org/10.1103/PhysRevMaterials.4.034204
24. Zhang, X., Wang, X., Wang, W., Yuan, Z., Peng, J., Shi, Y., He, P., & Chang, Y. (2026). Machine learning–driven thermoelectric
materials: Review on prediction, optimization, and discovery. Journal of Alloys and Compounds, 1050. 185711. https://doi.
org/10.1016/j.jallcom.2025.185711
25. Kaplan, D., Zheng, A., Blawat, J., Jin, R., & Cava, R. J. (2025). Deep learning-based superconductivity prediction and
experimental tests. The European Physical Journal Plus, 140(58). https://doi.org/10.1140/epjp/s13360-024-05947-w
26. Mo, W., Wang, J., Yuan, G., Cao, D., & Bai, G. (2025). Application of machine learning in magnetocaloric materials: A review.
Materials Today Communications, 44, 111933. https://doi.org/10.1016/j.mtcomm.2025.111933
27. Sazanishvili, Z., Matsiuk, I., & Verner, I. (2024). Artificial Intelligence in the Educational Process of Students of Specialty 132
Material Science. Bulletin of Kharkov National Automobile and Highway University, (107), 69-73. https://doi.org/10.30977/
BUL.2219-5548.2024.107.0.69 [in Ukrainian].
28. Kolomiets, A. M., & Kushnir, O. l. (2023). Use of artificial intelligence in educational and scientific activities: opportunities
and challenges. Modern Information Technologies and Innovation Methodologies of Education in Professional Training
Methodology Theory Experience Problems, (70), 45-57. https://doi.org/10.31652/2412-1142-2023-70-45-57 [in Ukrainian].
29. Vodennikova, O. S., Vodennikov, S. A., & Borsuk, S. A. (2025). The use of artificial intelligence in the educational process
in the specialty G10 “Metallurgy”. Science and Metallurgy: All-Ukrainian Scientific and Technical Conference: Collection of
Abstracts (Dnipro, November 19–20, 2025). Dnipro, p. 29 [in Ukrainian].
30. Bloshchynskyi, I. H., Dyiak, V. V., Yakymchuk, A. V., & Palahniuk, M. H. (2025). Synergy of immersive technologies and artificial
intelligence in educational activities. Bulletin of Science and Education, 5(35), 1054-1066. https://doi.org/10.52058/2786-
6165-2025-5(35)-1054-1066 [in Ukrainian].
31. Vodennikova, O. S., Vodennikov, S. A., & Borsuk S. A. (2025). The use of artificial intelligence in the educational process in
the specialty G10 “Metallurgy”. Modern technologies of the industrial complex – 2025: International scientific and practical
conference (Kherson–Khmelnytskyi, September 17–19, 2025). Kherson, Khmelnytskyi: Kherson National Technical University,
No. 9, pp. 100-102 [in Ukrainian].
32. Warmuzek, M. (2004). Aluminum-silicon casting alloys: atlas of microfractographs. ASM International. 124 р. ISBN: 978-0-
87170-794-9
33. Bolshakov, V. I., Sukhomlin, G. D., & Laukhin, D. V. (2010). Atlas struktur metallov i splavov [Atlas of metal and alloy structures].
State Higher Educational Institution “PGACEA” [in Russian].
34. Vodennikova, O. S., Vodennikov, S. A., & Pishchenko, K. A. (2025). NanoArt and Metallurgy: Symbiosis of Art and Nanotechnology
During Wartime. Metal and Casting of Ukraine, 33(3–4(342–343)), 53-63. https://doi.org/10.15407/steelcast2025.03-04.053
[in Ukrainian].
35. Vodennikova, O. S., Vodennikov, S. A., & Pishchenko, K. A. (2025). NanoArt and metallurgy: use of information technologies in
processing micro- and macrostructures of ferro and non-ferro metals and alloys. Science and production, (30), 69-80. https://
doi.org/10.31498/2522-9990302025347069 [in Ukrainian].
36. Vodennikova, O. S., & Vodennikov, S. A. (2026). NanoArt and Metallurgy: Using Artificial Intelligence to Process Metal and Alloy
Structures. Metal and Casting of Ukraine, 34(1(344)), 55-64. https://doi.org/10.15407/steelcast2026.01.055 [in Ukrainian].
Надійшла/Received 12.03.2026
Прийнята/Accepted 12.05.2026
Опублікована/Published 29.05.2026
88 ISSN 2077-1304. Met. lit'e Ukr., vol. 34, 2026. № 2 (345), 78-88
О.С. Воденнікова, С.А. Воденніков
Summary
O.S. Vodennikova1, PhD (Engin.), Associate Professor, Associate
Professor, e-mail: oksana_vodennikova@ukr.net,
https://orcid.org/0000-0003-0496-5435
S.A. Vodennikov2, Dr. Sci. (Engin.), Professor, Professor,
e-mail: s_vodennikov@i.ua, https://orcid.org/0000-0002-5563-5244
1Zaporizhzhia National University (Zaporizhzhia, Ukraine)
2National University “Zaporizhzhia Polytechnic” (Zaporizhzhia, Ukraine)
Synergy of Artificial Intelligence and Materials Science in the Creation of NanoArt Images
Based on Metal and Alloy Structures
In the context of digital transformation and sustainable development, a synergy between artificial intelligence and
materials science is emerging. In particular, within the framework of Industry 4.0, researchers in the fields of G8 “Materi-
als Science” and G10 “Metallurgy” focus on the implementation of digital technologies for the creation of “smart” materials,
modeling of material properties and structures, automation of production processes, and the development of digital twins,
among other areas. This study emphasizes the use of artificial intelligence (AI) to enhance the quality of microfractographic
images of metal and alloy structures (including the removal of scratches and dust, as well as improved sharpness, contrast,
and grain detail), followed by the creation of NanoArt images in the form of landscapes, animals, objects, and other artistic
compositions. As AI-based tools for creating NanoArt images, both specialized scientific software (MountainsMap, Gwyddion,
ImageJ/Fiji) and graphic editors with AI support (Adobe Photoshop with the Generative Fill function, Affinity Photo, Luminar
Neo), generative neural networks (ChatGPT, Midjourney, Stable Diffusion, Adobe Firefly), and mobile applications (Prisma or
Pikazo) can be utilized. The study also examines the application of various AI tools as well as different visual stylizations (e.g.,
LEGO-style, porcelain style, 3D style, knitted style, puzzle style, and others), which enable the exploration of diverse forms,
textures, materials, and visual effects and are significant for the creation of NanoArt and other creative digital images. Special
attention is given to the aesthetic aspect of the resulting NanoArt images: the transformation of black-and-white images of
metal and alloy structures into multicolored artistic compositions demonstrates the beauty of the microworld and the ability to
perceive not only the functional but also the artistic value of research outcomes.
Keywords
Materials science, digitalization, digital metallography, metal and alloy structures, artificial
intelligence, artificial intelligence tools, ChatGPT, NanoArt, image stylization.
|
| id | oai:oai.metalsandcasting.com:article-332 |
| institution | Metal and Casting of Ukraine |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-07-10T01:00:38Z |
| publishDate | 2026 |
| publisher | Physico-technological Institute of Metals and Alloys |
| record_format | ojs |
| resource_txt_mv | wwwmetalsandcastingcom/b8/c6fa94799494991d15148397ce8b97b8.pdf |
| spelling | oai:oai.metalsandcasting.com:article-3322026-07-09T11:02:55Z Synergy of Artificial Intelligence and Materials Science in the Creation of NanoArt Images Based on Metal and Alloy Structures Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів Воденнікова, О.С. Воденніков, С.А. Materials science digitalization digital metallography metal and alloy structures artificial intelligence artificial intelligence tools ChatGPT NanoArt image stylization матеріалознавство цифровізація цифрова металографія структура металів і сплавів штучний інтелект інструменти штучного інтелекту ChatGPT НаноАрт стилізація зображень In the context of digital transformation and sustainable development, a synergy between artificial intelligence and materials science is emerging. In particular, within the framework of Industry 4.0, researchers in the fields of G8 “Materials Science” and G10 “Metallurgy” focus on the implementation of digital technologies for the creation of “smart” materials, modeling of material properties and structures, automation of production processes, and the development of digital twins, among other areas. This study emphasizes the use of artificial intelligence (AI) to enhance the quality of microfractographic images of metal and alloy structures (including the removal of scratches and dust, as well as improved sharpness, contrast, and grain detail), followed by the creation of NanoArt images in the form of landscapes, animals, objects, and other artistic compositions. As AI-based tools for creating NanoArt images, both specialized scientific software (MountainsMap, Gwyddion, ImageJ/Fiji) and graphic editors with AI support (Adobe Photoshop with the Generative Fill function, Affinity Photo, Luminar Neo), generative neural networks (ChatGPT, Midjourney, Stable Diffusion, Adobe Firefly), and mobile applications (Prisma or Pikazo) can be utilized. The study also examines the application of various AI tools as well as different visual stylizations (e.g., LEGO-style, porcelain style, 3D style, knitted style, puzzle style, and others), which enable the exploration of diverse forms, textures, materials, and visual effects and are significant for the creation of NanoArt and other creative digital images. Special attention is given to the aesthetic aspect of the resulting NanoArt images: the transformation of black-and-white images of metal and alloy structures into multicolored artistic compositions demonstrates the beauty of the microworld and the ability to perceive not only the functional but also the artistic value of research outcomes. В умовах цифрової трансформації та сталого розвитку відбувається синергія штучного інтелекту та матеріалознавства. Зокрема, у контексті Індустрії 4.0 науковці за спеціальностями G8 «Матеріалознавство» та G10 «Металургія» фокусуються на впровадженні цифрових технологій для створення «розумних» матеріалів, моделювання властивостей та структури матеріалів, автоматизації виробничих процесів, створенні цифрових двійників та інше. У роботі акцентується увага на використанні штучного інтелекту (ШІ) для покращення якості мікрофрактографій структур металів та сплавів (видалення подряпин й пилу, підвищення різкості, контрасту, деталізації зерен та інше) з подальшим створенням зображень НаноАрт у вигляді пейзажів, тварин, предметів та іншого. В якості інструментів штучного інтелекту при створенні зображень НаноАрт представляється можливим використання як спеціалізованого наукового програмного забезпечення (MountainsMap, Gwyddion, ImageJ/Fiji), так і гра- фічних редакторів з підтримкою штучного інтелекту (Adobe Photoshop (з функцією Generative Fill), Affinity Photo, Luminar Neo), генеративних нейромереж (ChatGPT, Midjourney, Stable Diffusion, Adobe Firefly) та мобільних додатків (Prisma або Pikazo). В роботі також розглядаються питання застосування як різних інструментів штучного інтелекту, так і різних візуальних стилізацій зображення (наприклад, у стилі LEGO, порцеляновому стилі, 3D стилі, в’язаному стилі, стилі пазлів та інших), що в свою чергу дозволяє досліджувати різні форми, текстури, матеріали й візуальні ефекти і має важливе значення для створення зображень НаноАрт й креативних цифрових зображень. Особлива увага приділяється естетичному аспекту отриманих зображень НаноАрт: перетворення чорно-білого зображення структур металів і сплавів в різнокольорові картини демонструє красу мікросвіту, здатності бачити не лише функціональне, а й художнє призначення результатів своїх досліджень. Physico-technological Institute of Metals and Alloys 2026-05-29 Article Article application/pdf https://www.metalsandcasting.com/index.php/mcu/article/view/332 10.15407/steelcast2026.02.078 Metal and Casting of Ukraine; Vol. 34 No. 2 (2026): Metal and Casting of Ukraine; 78-88 Метал та лиття України ; Том 34 № 2 (2026): Метал та лиття України; 78-88 2706-5529 2077-1304 uk https://www.metalsandcasting.com/index.php/mcu/article/view/332/325 Авторське право (c) 2026 О.С. Воденнікова, С.А. Воденніков https://creativecommons.org/licenses/by/4.0 |
| spellingShingle | матеріалознавство цифровізація цифрова металографія структура металів і сплавів штучний інтелект інструменти штучного інтелекту ChatGPT НаноАрт стилізація зображень Воденнікова, О.С. Воденніков, С.А. Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів |
| title | Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів |
| title_alt | Synergy of Artificial Intelligence and Materials Science in the Creation of NanoArt Images Based on Metal and Alloy Structures |
| title_full | Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів |
| title_fullStr | Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів |
| title_full_unstemmed | Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів |
| title_short | Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів |
| title_sort | синергія штучного інтелекту та матеріалознавства при створенні зображень наноарт на основі структур металів та сплавів |
| topic | матеріалознавство цифровізація цифрова металографія структура металів і сплавів штучний інтелект інструменти штучного інтелекту ChatGPT НаноАрт стилізація зображень |
| topic_facet | Materials science digitalization digital metallography metal and alloy structures artificial intelligence artificial intelligence tools ChatGPT NanoArt image stylization матеріалознавство цифровізація цифрова металографія структура металів і сплавів штучний інтелект інструменти штучного інтелекту ChatGPT НаноАрт стилізація зображень |
| url | https://www.metalsandcasting.com/index.php/mcu/article/view/332 |
| work_keys_str_mv | AT vodenníkovaos synergyofartificialintelligenceandmaterialsscienceinthecreationofnanoartimagesbasedonmetalandalloystructures AT vodenníkovsa synergyofartificialintelligenceandmaterialsscienceinthecreationofnanoartimagesbasedonmetalandalloystructures AT vodenníkovaos sinergíâštučnogoíntelektutamateríaloznavstvapristvorennízobraženʹnanoartnaosnovístrukturmetalívtasplavív AT vodenníkovsa sinergíâštučnogoíntelektutamateríaloznavstvapristvorennízobraženʹnanoartnaosnovístrukturmetalívtasplavív |