ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ
The surfaces of the plasma temperature distribution in the discharge channel, the values of the pressure in the discharge channel, the pressure on the chamber wall, the amount of titanium carbide formed during processing depending on the interelectrode gap and the number of pulses are obtained by ma...
Saved in:
| Date: | 2023 |
|---|---|
| Main Authors: | , , , , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Институт сверхтвердых материалов им. В. Н. Бакуля Национальной академии наук Украины
2023
|
| Subjects: | |
| Online Access: | http://altis-ism.org.ua/index.php/ALTIS/article/view/279 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Tooling materials science |
Institution
Tooling materials science| id |
oai:ojs2.altis-ism.org.ua:article-279 |
|---|---|
| record_format |
ojs |
| spelling |
oai:ojs2.altis-ism.org.ua:article-2792023-08-28T08:33:35Z FORECASTING PROCESSES OF HIGH VOLTAGE ELECTRIC DISCHARGE SYNTHESIS OF TITANIUM CARBIDE USING MACHINE LEARNING METHODS ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ Присташ, Микола Присташ, Світлана Сизоненко, Ольга Торпаков, Андрій Липян, Євген Олійник, Нонна titanium carbide high voltage electric discharge plasma kerosene machine learning logistic regression Random forest method карбід титану високовольтний електричний розряд плазма гас машинне навчання логістична регресія метод Random forest The surfaces of the plasma temperature distribution in the discharge channel, the values of the pressure in the discharge channel, the pressure on the chamber wall, the amount of titanium carbide formed during processing depending on the interelectrode gap and the number of pulses are obtained by mathematical modeling using machine learning methods for spark discharge at the concentration of titanium powder in kerosene of 0.07 kg / dm3, the pulse repetition frequency of 0.3 Hz and the energy of single impact of 1 kJ. The possibility of using machine learning methods to predict the processes and results of high-voltage electric discharge treatment of titanium powder in kerosene using spark discharge and the need to consider other, more accurate machine learning algorithms, are shown. Key words: titanium carbide, high voltage electric discharge, plasma, kerosene, machine learning, logistic regression, Random forest method. Шляхом математичного моделювання з використанням методів машинного навчання отримані поверхні розподілу температури плазми в каналі розряду, значень тиску в каналі розряду, тиску на стінці камери, кількості карбіду титану що утворився під час обробки в залежності від міжелектрожного проміжку та кількості імпульсів, при використанні іскрового розряду та концентрації порошку титану у гасі 0,07 кг/дм3, частоті слідування імпульсів 0,3 Гц та енергії одиничного впливу 1кДж. Встановлена можливість використання методів машинного навчання для прогнозування процесів та результатів високовольтної електророзрядної обробки порошку титану у гасі із використанням іскрового розряду та необхідність розглянути інші, більш точніші алгоритми машинного навчання. Ключові слова: карбід титану, високовольтний електричний розряд, плазма, гас, машинне навчання, логістична регресія, метод Random forest. Институт сверхтвердых материалов им. В. Н. Бакуля Национальной академии наук Украины 2023-08-24 Article Article application/pdf http://altis-ism.org.ua/index.php/ALTIS/article/view/279 Інструментальне матеріалознавство; Том 25 № 1 (2022): Інструментальне матеріалознавство; 294-301 Инструментальное материаловедение; Том 25 № 1 (2022): Инструментальное материаловедение; 294-301 Tooling materials science; Vol 25 No 1 (2022): Tooling marerials science; 294-301 2708-7328 2708-731X uk http://altis-ism.org.ua/index.php/ALTIS/article/view/279/251 Авторське право (c) 2022 Інструментальне матеріалознавство |
| institution |
Tooling materials science |
| baseUrl_str |
|
| datestamp_date |
2023-08-28T08:33:35Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
карбід титану високовольтний електричний розряд плазма гас машинне навчання логістична регресія метод Random forest |
| spellingShingle |
карбід титану високовольтний електричний розряд плазма гас машинне навчання логістична регресія метод Random forest Присташ, Микола Присташ, Світлана Сизоненко, Ольга Торпаков, Андрій Липян, Євген Олійник, Нонна ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ |
| topic_facet |
titanium carbide high voltage electric discharge plasma kerosene machine learning logistic regression Random forest method карбід титану високовольтний електричний розряд плазма гас машинне навчання логістична регресія метод Random forest |
| format |
Article |
| author |
Присташ, Микола Присташ, Світлана Сизоненко, Ольга Торпаков, Андрій Липян, Євген Олійник, Нонна |
| author_facet |
Присташ, Микола Присташ, Світлана Сизоненко, Ольга Торпаков, Андрій Липян, Євген Олійник, Нонна |
| author_sort |
Присташ, Микола |
| title |
ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ |
| title_short |
ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ |
| title_full |
ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ |
| title_fullStr |
ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ |
| title_full_unstemmed |
ПРОГНОЗУВАННЯ ПРОЦЕСІВ ВИСОКОВОЛЬТНОГО ЕЛЕКТРОРОЗРЯДНОГО СИНТЕЗУ КАРБІДУ ТИТАНУ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ |
| title_sort |
прогнозування процесів високовольтного електророзрядного синтезу карбіду титану із використанням методів машинного навчання |
| title_alt |
FORECASTING PROCESSES OF HIGH VOLTAGE ELECTRIC DISCHARGE SYNTHESIS OF TITANIUM CARBIDE USING MACHINE LEARNING METHODS |
| description |
The surfaces of the plasma temperature distribution in the discharge channel, the values of the pressure in the discharge channel, the pressure on the chamber wall, the amount of titanium carbide formed during processing depending on the interelectrode gap and the number of pulses are obtained by mathematical modeling using machine learning methods for spark discharge at the concentration of titanium powder in kerosene of 0.07 kg / dm3, the pulse repetition frequency of 0.3 Hz and the energy of single impact of 1 kJ. The possibility of using machine learning methods to predict the processes and results of high-voltage electric discharge treatment of titanium powder in kerosene using spark discharge and the need to consider other, more accurate machine learning algorithms, are shown.
Key words: titanium carbide, high voltage electric discharge, plasma, kerosene, machine learning, logistic regression, Random forest method. |
| publisher |
Институт сверхтвердых материалов им. В. Н. Бакуля Национальной академии наук Украины |
| publishDate |
2023 |
| url |
http://altis-ism.org.ua/index.php/ALTIS/article/view/279 |
| work_keys_str_mv |
AT pristašmikola forecastingprocessesofhighvoltageelectricdischargesynthesisoftitaniumcarbideusingmachinelearningmethods AT pristašsvítlana forecastingprocessesofhighvoltageelectricdischargesynthesisoftitaniumcarbideusingmachinelearningmethods AT sizonenkoolʹga forecastingprocessesofhighvoltageelectricdischargesynthesisoftitaniumcarbideusingmachinelearningmethods AT torpakovandríj forecastingprocessesofhighvoltageelectricdischargesynthesisoftitaniumcarbideusingmachinelearningmethods AT lipânêvgen forecastingprocessesofhighvoltageelectricdischargesynthesisoftitaniumcarbideusingmachinelearningmethods AT olíjniknonna forecastingprocessesofhighvoltageelectricdischargesynthesisoftitaniumcarbideusingmachinelearningmethods AT pristašmikola prognozuvannâprocesívvisokovolʹtnogoelektrorozrâdnogosintezukarbídutitanuízvikoristannâmmetodívmašinnogonavčannâ AT pristašsvítlana prognozuvannâprocesívvisokovolʹtnogoelektrorozrâdnogosintezukarbídutitanuízvikoristannâmmetodívmašinnogonavčannâ AT sizonenkoolʹga prognozuvannâprocesívvisokovolʹtnogoelektrorozrâdnogosintezukarbídutitanuízvikoristannâmmetodívmašinnogonavčannâ AT torpakovandríj prognozuvannâprocesívvisokovolʹtnogoelektrorozrâdnogosintezukarbídutitanuízvikoristannâmmetodívmašinnogonavčannâ AT lipânêvgen prognozuvannâprocesívvisokovolʹtnogoelektrorozrâdnogosintezukarbídutitanuízvikoristannâmmetodívmašinnogonavčannâ AT olíjniknonna prognozuvannâprocesívvisokovolʹtnogoelektrorozrâdnogosintezukarbídutitanuízvikoristannâmmetodívmašinnogonavčannâ |
| first_indexed |
2025-09-24T17:42:02Z |
| last_indexed |
2025-09-24T17:42:02Z |
| _version_ |
1850410047314591744 |