В качестве модельного композита специалисты выбрали полиамид, материал с широким спектром применения: от производства тканей и автомобильных колес до самолетных деталей, хирургических нитей и искусственных сосудов. Он ценится за уникальные свойства — прочность, износостойкость, устойчивость к химическим веществам и пластичность.
Этот полиамид был модифицирован высокодисперсными наночастицами, добавление которых даже в малых количествах существенно улучшает эксплуатационные характеристики материалов.
Разработанная модель учитывает три ключевых параметра: массовую долю наночастиц, частоту вращения шнеков микроэкструдера и скорость экструзии композита. Раньше настройка этих параметров — например, при смене сырья или оборудования — требовала множества пробных запусков вручную, что было долго и дорого. Теперь часть испытаний можно проводить с помощью модели.
Для построения модели ученые протестировали три алгоритма машинного обучения: CatBoost, XGBoost и Random Forest. Лучший результат показал CatBoost. По словам магистранта, инженера НОЦ Алексея Шульгина, он эффективно выявляет нелинейные зависимости между рецептурой, реологией расплава и параметрами экструзии композита, что позволяет виртуально прогнозировать оптимальные режимы вместо проведения дорогостоящих экспериментов. Это значительно сократит время и трудозатраты ученых.
«Данный подход трансформирует классический цикл разработки новых материалов в управляемый цифровой процесс, сокращая время перехода от лаборатории к серийному производству и обеспечивая значительную экономию ресурсов (сокращение срока разработки композита в 2-3 раза, снижение затрат в 2 раза) при гарантированной воспроизводимости заданных характеристик конечного образца», — подчеркнул Алексей Шульгин.
В дальнейшем ученые планируют провести апробацию прогностической модели на полимерных композитах с любыми компонентами, не только на основе полиамида.
Проект реализуется в рамках программы Минобрнауки России «Приоритет-2030» (национальный проект «Молодежь и дети»).
