ОБРАБОТКА МЕТАЛЛОВ

Введение. Мир находится на этапе создания междисциплинарного подхода, который будет реализован в металлургических исследованиях. В статье сформулирована техника анализа изображений при исследовании обрабатываемости на различной глубине от границы раздела литейная форма–металл. Цель работы. Обработка чугунной заготовки в пределах первых 3,5 мм от границы раздела литейная форма–металл представляет собой серьезную проблему. Исследование обрабатываемости на различной глубине является ключевым требованием промышленности для простоты обработки. Обрабатываемость будет определять ряд факторов, включая расход инструмента, качество поверхности заготовки, энергопотребление и т. д. Метод исследования. Анализ изображения выполняется для определения процентного содержания графита в протравленных и нетравленных образцах. Алгоритм кластеризации позволяет создавать новое изображение из данного с четким разделением белых и черных областей путем преобразования цифрового изображения в двоичное с использованием порогового значения для сегментации. В качестве входных переменных для обрабатываемости чугуна используются объемная доля перлита, объемная доля графита и средний размер пластинок графита в микронах. Результаты и обсуждение. Выходное, т. е. сегментированное изображение, будет являться входной функцией для расчета индекса обрабатываемости с использованием формул. Таким образом, микроструктурный анализ поможет предсказать индекс обрабатываемости серого чугуна ASTM A 48 Class 20. С помощью этого метода и программы, основываясь на микроструктуре, можно заранее спрогнозировать характеристики обработки детали с учетом возможных изменений в самом процессе литья.

1. Image based analysis of complex microstructures of engineering materials / T. Wejrzanowski, W. Spychalski, K. Rózniatowski, K. Kurzydlowski // International Journal of Applied Mathematics and Computer Science. – 2008. – Vol. 18 (1). – P. 33–39.

2. Samuels L.E. Light microscopy of carbon steels. – Materials Park, Ohio: ASM International, 1999.

3. Electron backscatter diffraction in materials science / A.J. Schwartz, M. Kumar, B.L. Adams, D.P. Field. – 2nd ed. – New York: Springer US Publ., 2009. – 403 p. – ISBN 978-0-387-88135-5. – DOI: 10.1007/978-0-387-88136-2.

4. Krauss G. Steels: processing, structure, and performance. – Materials Park, Ohio: ASM International, 2015.

5. Understanding deep learning techniques for image segmentation / S. Ghosh, N. Das, I. Das, U. Maulik // ACM Computing Surveys (CSUR). – 2019. – Vol. 52 (4). – P. 1–35.

6. Tu Z., Bai X. Auto-context and its application to high-level vision tasks and 3d brain image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2009. – Vol. 32 (10). – P. 1744–1757.

7. Kang B.-H. A review on image and video processing // International Journal of Multimedia and Ubiquitous Engineering. – 2007. – Vol. 2 (2). – P. 49–64.

8. Collins T.J. Image for microscopy // Biotechniques. – 2007. – Vol. 43 (S1). – P. S25–S30.

9. Kaur D., Kaur Y. Various image segmentation techniques: a review // International Journal of Computer Science and Mobile Computing. – 2014. – Vol. 3 (5). – P. 809–814.

10. Dhanachandra N., Chanu Y.J. Image segmentation method using k-means clustering algorithm for color image // Advanced Research in Electrical and Electronic Engineering. – 2015. – Vol. 2 (11). – P. 68–72.

11. Yedla M., Pathakota S.R., Srinivasa T.M. Enhancing K-means clustering algorithm with improved initial center // International Journal of Computer Science and Information Technologies. – 2010. – Vol. 1 (2). – P. 121–125.

12. Dhanachandra N., Manglem K., Chanu Y.J. Image segmentation using K-means clustering algorithm and subtractive clustering algorithm // Procedia Computer Science. – 2015. – Vol. 54. – P. 764–771.

13. Mode Inference using enhanced Segmentation and Pre-processing on raw Global Positioning System data / A. Nawaz, H. Zhiqiu, W. Senzhang, Y. Hussain, A. Naseer, M. Izhar, Z. Khan // Measurement and Control. – 2020. – Vol. 53 (7–8). – P. 1144–1158.

14. Application of digital image processing for implementation of complex realistic particle shapes/morphologies in computer simulated heterogeneous microstructures / Singh H., Mao Y., A. Sreeranganathan, A.M. Gokhale // Modelling and Simulation in Materials Science and Engineering. – 2006. – Vol. 14 (3). – P. 351–363.

15. Application of digital image processing for automatic detection and characterization of cracked constituent particles/inclusions in wrought aluminum alloys / S.G. Lee, Y. Mao, A.M. Gokhale, J. Harris, M.F. Horstemeyer // Materials Characterization. – 2009. – Vol. 60 (9). – P. 964–970.

16. Kakani S.L. Material science. – New Delhi: New Age International, 2006. – 656 p.

17. Narkhede H.P. Review of image segmentation techniques // International Journal of Science and Modern Engineering. – 2013. – Vol. 1 (8). – P. 54–61.

18. Celebi M.E., Kingravi H.A., Vela P.A. A comparative study of efficient initialization methods for the k-means clustering algorithm // Expert Systems with Applications. – 2013. – Vol. 40 (1). – P. 200–210.

19. Kodinariya T.M., Makwana P.R. Review on determining number of Cluster in K-Means Clustering // International Journal of Advance Research in Computer Science and Management Studies. – 2013. – Vol. 1 (6). – P. 90–95.

20. Likas A., Vlassis N., Verbeek J.J. The global k-means clustering algorithm // Pattern Recognition. – 2003. – Vol. 36 (2). – P. 451–461.

21. Vermunt J.K. K-means may perform as well as mixture model clustering but may also be much worse: Comment on Steinley and Brusco // Psychological Methods. – 2011. – Vol. 16, no. 1. – P. 82–88.

22. Шеладия М.В., Ачарья Ш.Г., Ачарья Г.Д. Технологическое исследование влияния параметров механической обработки на срок службы инструмента // Обработка металлов (технология, оборудование, инструменты). – 2020. – Т. 22, № 4. – С. 41–53. – DOI: 10.17212/1994-6309-2020-22.4-41-53.

23. Moore W., Lord J.O. Gray cast iron machinability: quantitative measurements of graphite and pearlite effects // Modern Castings. – 1959. – Vol. 35 (4). – P. 55–60.