ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87
Artificial Intelligence (AI) is emerging as a transformative catalyst, unlocking new frontiers for optimizing and enhancing traditional industries like foundry production, while also fostering the development of innovative fields such as metamaterial design. This review analyzes key AI methods and a...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
National Academy of Sciences of Ukraine, Physical-Technological Institute of Metals and Alloys of NAS of Ukraine
2025
|
| Теми: | |
| Онлайн доступ: | https://plit-periodical.org.ua/index.php/plit/article/view/302 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Casting Processes |
Репозитарії
Casting Processes| id |
oai:ojs2.localhost:article-302 |
|---|---|
| record_format |
ojs |
| institution |
Casting Processes |
| baseUrl_str |
|
| datestamp_date |
2025-12-06T13:19:42Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
штучний інтелект машинне навчання глибоке навчання ливарне виробництво метаматеріали 3D-друк інверсний дизайн |
| spellingShingle |
штучний інтелект машинне навчання глибоке навчання ливарне виробництво метаматеріали 3D-друк інверсний дизайн Дорошенко, В.C. Калюжний, П.Б. Погребач, Є.В. ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| topic_facet |
штучний інтелект машинне навчання глибоке навчання ливарне виробництво метаматеріали 3D-друк інверсний дизайн artificial intelligence machine learning deep learning foundry production metamaterials 3D printing inverse design |
| format |
Article |
| author |
Дорошенко, В.C. Калюжний, П.Б. Погребач, Є.В. |
| author_facet |
Дорошенко, В.C. Калюжний, П.Б. Погребач, Є.В. |
| author_sort |
Дорошенко, В.C. |
| title |
ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| title_short |
ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| title_full |
ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| title_fullStr |
ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| title_full_unstemmed |
ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| title_sort |
огляд методів застосування штучного інтелекту в проєктуванні ливарних технологій і метаматеріалів: procesi littâ, 2025, vol 4 (162), 74-87 |
| title_alt |
OVERVIEW OF METHODS FOR APPLYING ARTIFICIAL INTELLIGENCE IN THE DESIGN OF FOUNDRY TECHNOLOGIES AND METAMATERIALS: Procesi littâ, 2025, Vol 4 (162), 74-87 |
| description |
Artificial Intelligence (AI) is emerging as a transformative catalyst, unlocking new frontiers for optimizing and enhancing traditional industries like foundry production, while also fostering the development of innovative fields such as metamaterial design. This review analyzes key AI methods and applications in these domains, highlighting its potential to elevate product quality, reduce costs, and accelerate innovation cycles. In foundry production, AI ensures significant improvements across all stages of the product lifecycle. Machine learning and deep learning systems enable the prediction of casting defects (such as porosity, shrinkage, cracks) based on the analysis of historical data and process parameters. This facilitates prompt correction of manufacturing conditions and prevention of product rejection. AI holds substantial potential for optimizing casting process parameters and improving casting quality. The application of computer vision and deep learning is transforming automated quality control, enabling rapid, real-time defect detection. Integrating AI with 3D printing allows for optimized design of casting technologies, molds, and patterns, creating digital twins that accelerate development and testing phases. The article provides an industrial application example from Sarginsons Industries, which leveraged AI to almost halve the weight of automotive castings. AI also serves as a tool for optimizing the Life Cycle Assessment (LCA) of castings, contributing to resource conservation and circular economy principles. In the realm of metamaterial design, AI is revolutionizing the traditional approach by shifting towards inverse design. Generative models, such as GANs and VAEs, enable the creation of entirely new topologies with unique properties that fulfill desired functional characteristics. The methodology for designing metamaterials based on graph neural networks is presented, allowing for rapid generation of structures with specified properties and their optimization through iterative learning. Specifically, the potential of spherene structures for developing functionally optimized casting patterns for the Lost Foam Casting (LFC) process is explored, which will facilitate controlled thermal decomposition and efficient gas removal, thereby improving the quality of metal castings. Convolutional Neural Networks (CNNs) are effectively utilized for predicting metamaterial properties, and the integration of AI with topological optimization algorithms allows for finding their optimal structures. A separate aspect addresses the role of AI in invention. AI systems are already capable of generating novel and original solutions that may be deemed patentable, as demonstrated by the precedent with the DABUS system. This opens new stages in the development of intellectual property, where AI acts not merely as an assistant but as a full participant in the process. Despite significant advantages, the implementation of AI faces challenges such as the need for large volumes of high-quality data, interpretation of “black box” models, and substantial computational resources. Nevertheless, the prospects are extremely broad, including the development of hybrid models (physics-informed AI), the creation of digital twins, and the full integration of AI into the concept of “smart manufacturing” (Industry 4.0). Thus, AI is not merely an automation tool but a driver of scientific and technological transformation, enhancing human intelligence, allowing focus on creativity, strategic decisions, the creation of more advanced products, and sustainable development. |
| publisher |
National Academy of Sciences of Ukraine, Physical-Technological Institute of Metals and Alloys of NAS of Ukraine |
| publishDate |
2025 |
| url |
https://plit-periodical.org.ua/index.php/plit/article/view/302 |
| work_keys_str_mv |
AT dorošenkovc overviewofmethodsforapplyingartificialintelligenceinthedesignoffoundrytechnologiesandmetamaterialsprocesilitta2025vol41627487 AT kalûžnijpb overviewofmethodsforapplyingartificialintelligenceinthedesignoffoundrytechnologiesandmetamaterialsprocesilitta2025vol41627487 AT pogrebačêv overviewofmethodsforapplyingartificialintelligenceinthedesignoffoundrytechnologiesandmetamaterialsprocesilitta2025vol41627487 AT dorošenkovc oglâdmetodívzastosuvannâštučnogoíntelektuvproêktuvannílivarnihtehnologíjímetamateríalívprocesilitta2025vol41627487 AT kalûžnijpb oglâdmetodívzastosuvannâštučnogoíntelektuvproêktuvannílivarnihtehnologíjímetamateríalívprocesilitta2025vol41627487 AT pogrebačêv oglâdmetodívzastosuvannâštučnogoíntelektuvproêktuvannílivarnihtehnologíjímetamateríalívprocesilitta2025vol41627487 |
| first_indexed |
2025-12-17T12:07:52Z |
| last_indexed |
2025-12-17T12:07:52Z |
| _version_ |
1851774501444911104 |
| spelling |
oai:ojs2.localhost:article-3022025-12-06T13:19:42Z OVERVIEW OF METHODS FOR APPLYING ARTIFICIAL INTELLIGENCE IN THE DESIGN OF FOUNDRY TECHNOLOGIES AND METAMATERIALS: Procesi littâ, 2025, Vol 4 (162), 74-87 ОГЛЯД МЕТОДІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ПРОЄКТУВАННІ ЛИВАРНИХ ТЕХНОЛОГІЙ І МЕТАМАТЕРІАЛІВ: Procesi littâ, 2025, Vol 4 (162), 74-87 Дорошенко, В.C. Калюжний, П.Б. Погребач, Є.В. штучний інтелект машинне навчання глибоке навчання ливарне виробництво метаматеріали 3D-друк інверсний дизайн artificial intelligence machine learning deep learning foundry production metamaterials 3D printing inverse design Artificial Intelligence (AI) is emerging as a transformative catalyst, unlocking new frontiers for optimizing and enhancing traditional industries like foundry production, while also fostering the development of innovative fields such as metamaterial design. This review analyzes key AI methods and applications in these domains, highlighting its potential to elevate product quality, reduce costs, and accelerate innovation cycles. In foundry production, AI ensures significant improvements across all stages of the product lifecycle. Machine learning and deep learning systems enable the prediction of casting defects (such as porosity, shrinkage, cracks) based on the analysis of historical data and process parameters. This facilitates prompt correction of manufacturing conditions and prevention of product rejection. AI holds substantial potential for optimizing casting process parameters and improving casting quality. The application of computer vision and deep learning is transforming automated quality control, enabling rapid, real-time defect detection. Integrating AI with 3D printing allows for optimized design of casting technologies, molds, and patterns, creating digital twins that accelerate development and testing phases. The article provides an industrial application example from Sarginsons Industries, which leveraged AI to almost halve the weight of automotive castings. AI also serves as a tool for optimizing the Life Cycle Assessment (LCA) of castings, contributing to resource conservation and circular economy principles. In the realm of metamaterial design, AI is revolutionizing the traditional approach by shifting towards inverse design. Generative models, such as GANs and VAEs, enable the creation of entirely new topologies with unique properties that fulfill desired functional characteristics. The methodology for designing metamaterials based on graph neural networks is presented, allowing for rapid generation of structures with specified properties and their optimization through iterative learning. Specifically, the potential of spherene structures for developing functionally optimized casting patterns for the Lost Foam Casting (LFC) process is explored, which will facilitate controlled thermal decomposition and efficient gas removal, thereby improving the quality of metal castings. Convolutional Neural Networks (CNNs) are effectively utilized for predicting metamaterial properties, and the integration of AI with topological optimization algorithms allows for finding their optimal structures. A separate aspect addresses the role of AI in invention. AI systems are already capable of generating novel and original solutions that may be deemed patentable, as demonstrated by the precedent with the DABUS system. This opens new stages in the development of intellectual property, where AI acts not merely as an assistant but as a full participant in the process. Despite significant advantages, the implementation of AI faces challenges such as the need for large volumes of high-quality data, interpretation of “black box” models, and substantial computational resources. Nevertheless, the prospects are extremely broad, including the development of hybrid models (physics-informed AI), the creation of digital twins, and the full integration of AI into the concept of “smart manufacturing” (Industry 4.0). Thus, AI is not merely an automation tool but a driver of scientific and technological transformation, enhancing human intelligence, allowing focus on creativity, strategic decisions, the creation of more advanced products, and sustainable development. Штучний інтелект (ШІ) стає трансформаційним каталізатором, який відкриває нові горизонти для оптимізації та вдосконалення традиційних галузей, таких як ливарне виробництво, а також для розвитку інноваційних напрямів, зокрема проєктування метаматеріалів. Цей огляд присвячений аналізу ключових методів та застосувань ШІ у цих сферах, висвітленню його потенціалу для підвищення якості продукції, скорочення витрат і прискорення інноваційних циклів. У ливарному виробництві ШІ забезпечує значне покращення на всіх етапах життєвого циклу продукту. Системи машинного навчання та глибокого навчання дозволяють прогнозувати дефекти виливків (як-от пористість, усадка, тріщини) на основі аналізу історичних даних і параметрів процесу. Це дає можливість оперативно коригувати виробничі умови та запобігати браку продукції. ШІ має значний потенціал для оптимізації параметрів ливарного процесу та покращенні якості лиття. Застосування комп’ютерного зору та глибокого навчання трансформує автоматичний контроль якості, швидке виявлення дефектів у реальному часі. Інтеграція ШІ з 3D-друком дозволяє оптимізувати проєктування ливарних технологій, формта моделей, створюючи цифрові двійники, що прискорюють етапи розробки і тестування. У статті наведено приклад застосування ШІ в промисловості, зокрема дослідженням компанії Sarginsons Industries, яка завдяки ШІ зменшила вагу автомобільних виливків майже вдвічі. ШІ також є інструментом для оптимізації життєвого циклу виливків (LCA), сприяючи ресурсозбереженню та принципам циркулярної економіки. У сфері проєктування метаматеріалів ШІ революціонізує традиційний підхід, переходячи до інверсного дизайну. Генеративні моделі, такі як GANs та VAEs, дозволяють генерувати абсолютно нові топології з унікальними властивостями, що відповідають бажаним функціональним характеристикам. Представлено методику проєктування метаматеріалів на основі графових нейронних мереж, що дозволяє швидко створювати структури із заданими властивостями та оптимізувати їх через ітеративне навчання. Зокрема, розглянуто потенціал сференових структур для розробки функціонально-оптимізованих ливарних моделей для процесу лиття за газифікованими моделями (ЛГМ), що сприятиме керованій термодеструкції та ефективному видаленню газів, покращуючи якість металевих виливків. Згорткові нейронні мережі (CNNs) ефективно використовуються для прогнозування властивостей метаматеріалів, а інтеграція ШІ з алгоритмами топологічної оптимізації дозволяє знаходити їх оптимальні структури. Окремий аспект стосується ролі ШІ у винахідництві. Системи ШІ вже здатні генерувати нові та оригінальні рішення, що можуть бути визнані патентоспроможними, як це демонструє прецедент із системою DABUS. Це відкриває нові етапи у розвитку інтелектуальної власності, де ШІ виступає не просто помічником, а повноцінним учасником процесу. Незважаючи на значні переваги, впровадження ШІ стикається з викликами, такими як потреба у великих обсягах високоякісних даних, інтерпретація моделей «чорної скриньки» та значні обчислювальні ресурси. Однак перспективи є надзвичайно широкими, включаючи розробку гібридних моделей (physics-informed AI), створення цифрових двійників та повну інтеграцію ШІ у концепцію «розумного виробництва» (Industry 4.0). Таким чином, ШІ є не просто інструментом автоматизації, а рушієм науково-технологічної трансформації, що посилює людський інтелект, дозволяючи зосередитися на творчості, стратегічних рішеннях, створенні досконаліших продуктів та сталому розвитку. National Academy of Sciences of Ukraine, Physical-Technological Institute of Metals and Alloys of NAS of Ukraine 2025-12-05 Article Article application/pdf https://plit-periodical.org.ua/index.php/plit/article/view/302 10.15407/plit2025.04.074 Casting processes; Casting processes №4 (162) 2025; 74-87 Процеси лиття; Процеси лиття №4 (162) 2025; 74-87 2707-1626 0235-5884 uk https://plit-periodical.org.ua/index.php/plit/article/view/302/305 https://creativecommons.org/licenses/by-nc-nd/4.0 |