ОБРАБОТКА МЕТАЛЛОВ

Введение. Поведение твердых покрытий, нанесенных методом физического осаждения из паровой фазы (PVD), трудно прогнозировать из-за нелинейной взаимосвязи между химическим составом покрытия, толщиной осажденного слоя, рабочей температурой и приложенной контактной нагрузкой. Многомерное картирование параметров с помощью исчерпывающих экспериментов требует значительных временных и финансовых затрат. Цель работы: реализовать гибридную архитектуру, работающую с небольшими объемами данных, которая объединяет планирование Taguchi, метод анализа поверхности отклика (RSM) и машинное обучение (ML) для прогнозирования и оптимизации износостойкости на основе небольшого набора данных (n = 28). Методы. Три типа покрытий – AlTiN, CrN и TiC – были испытаны в диапазоне температур 40…50 °C, диапазоне контактных нагрузок 5…15 Н и диапазоне толщины покрытия 2…4 мкм. Был проведен дисперсионный анализ (ANOVA) для выявления параметра, оказывающего наиболее сильное влияние на износ. С использованием метода анализа поверхности отклика разработана прогностическая модель износа. Результаты и обсуждение. Дисперсионный анализ показал, что нагрузка и химический состав покрытия являются факторами, оказывающими наиболее сильное влияние на износ. В исследованном диапазоне температура и толщина не были признаны значимыми факторами. RSM-модель оказалась статистически значимой для прогнозирования контактной нагрузки и химического состава покрытия с R² = 0,901 (скорректированный R² = 0,834, RMSE = 0,0076). Среди протестированных моделей машинного обучения с использованием пятикратной перекрестной проверки алгоритм случайного леса (RF) показал наивысшую обобщающую способность (CV R² = 0,755), а градиентный бустинг (GB) – наилучшее общее соответствие (R² = 0,913). SHAP-анализ показал, что основной вклад вносит химический состав покрытия, затем контактная нагрузка, а вклад температуры незначителен. Оптимизация с помощью градиентного бустинга показала, что AlTiN-покрытие с толщиной 4 мкм под контактной нагрузкой 15 Н и при температуре 50 °C проявляет себя наилучшим образом, при этом ожидаемая интенсивность износа составляет 0,010823 мм³/(Н·м). Предложенная структура демонстрирует достоверное и интерпретируемое прогнозирование износа с использованием ограниченных экспериментальных данных.

1. Intelligent tool wear monitoring using XGBoost, SVR, and DNN models in NMQL environment / O. Almomani, B. Venkatesh, S.P. Chaudhary, A. Mishra, S. Sujai, S. Juneja, P. Pradhan, S.P. Venkatesan, A. Bhowmik, Y. Tamene // Scientific Reports. – 2026. – Vol. 16 (1). – P. 10030. – DOI: 10.1038/s41598-026-40968-8.

2. Deep learning prediction of dry friction in DLC coatings using literature-derived data / O. Cherguy, R. Chmielowski, E. Hachem, I. Lahouij // Tribology Letters. – 2025. – Vol. 73 (4). – P. 125. – DOI: 10.1007/s11249-025-02056-2.

3. Daghbouch A., Louhichi B., Terres M.A. Optimization and prediction of mass loss during adhesive wear of nitrided AISI 4140 steel parts // Crystals. – 2025. – Vol. 15 (10). – P. 875. – DOI: 10.3390/cryst15100875.

4. Influence of the interlayer and the substrate on the wear behavior of PVD tool coatings during turning of C60+ N / B. Bergmann, B. Denkena, N. Junge, C. Kalscheuer, K. Bobzin, X. Liu // Wear. – 2026. – Vol. 584–585. – P. 206396. – DOI: 10.1016/j.wear.2025.206396.

5. Minimizing thin film thickness in TiN coatings using genetic algorithms / M.I. Jarrah, A.S.M. Jaya, M.A. Azam, M.R. Muhamad, H. Akbar // AIP Conference Proceedings. – 2018. – Vol. 2016 (1). – P. 020061. – DOI: 10.1063/1.5055463.

6. Ambhore N., Naranje V., Shelke S. Machining performance evaluation in turning of hardened steel using machine learning // Materials and Manufacturing Processes. – 2025. – Vol. 40 (14). – P. 1935–1942. – DOI: 10.1080/10426914.2025.2559622.

7. Fuzzy rule-based model to estimate surface roughness and wear in hard coatings / A.S.M. Jaya, S.Z.M. Hashim, H. Haron, M.R. Muhamad, M.N.A. Rahman // Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics. – IEEE, 2012. – P. 1076–1081. – DOI: 10.1109/ICSMC.2012.6377873.

8. Jiang J., Omar I., Khan M. Predicting wear damage in moving mechanical contacts: Comparative analysis of regression algorithms and feature selection techniques // ISA Transactions. – 2025. – Vol. 167. – P. 675–687. – DOI: 10.1016/j.isatra.2025.08.027.

9. Kahraman F., Sugözü B. An integrated approach based on the Taguchi method and response surface methodology to optimize parameter design of asbestos-free brake pad material // Turkish Journal of Engineering. – 2019. – Vol. 3 (3). – P. 127–132. – DOI: 10.31127/TUJE.479458.

10. Wear resistance prediction of AlCoCrFeNi-X (Ti, Cu) high-entropy alloy coatings based on machine learning / J. Kang, Y. Niu, Y. Zhou, Y. Fan, G. Ma // Metals. – 2023. – Vol. 13 (5). – P. 939. – DOI: 10.3390/met13050939.

11. Machine learning predictive modeling of plasma-sprayed lanthanum zirconate coatings / S. Karthikeyan, R. Prasanna, V. Balasubramanian, G. Perumal, V. Mugendiran // Surface Engineering. – 2025. – Vol. 41 (10–12). – P. 1045–1054. – DOI: 10.1177/02670844251389512.

12. Application of machine learning to solid particle erosion of APS-TBC and EB-PVD TBC at elevated temperatures / Y. Liu, R. Ravichandran, K. Chen, P. Patnaik // Coatings. – 2021. – Vol. 11 (7). – P. 845. – DOI: 10.3390/coatings11070845.

13. A review of explainable AI methods and their application in manufacturing systems / G. Tzionis, P. Mouratidis, G. Kougka, I. Gialampoukidis, S. Vrochidis, I. Kompatsiaris, M. Vlachopoulou // Discover Applied Sciences. – 2025. – Vol. 8. – P. 52. – DOI: 10.1007/s42452-025-07908-z.

14. Machine learning and Taguchi techniques for predicting wear mechanisms of Ni–Cu alloy composites / J. Kumaraswamy, Thirumalesh, A.S. Ashok, N.B. Shankar, S.R. Praveen // Results in Surfaces and Interfaces. – 2024. – Vol. 17. – DOI: 10.1016/j.rsurfi.2024.100307.

15. Mallick A., Sahu R.K., Gangi Setti S. Machine learning enabled hardness prediction in centrifugal cast functionally graded materials for superior wear performance // Journal of Tribology. – 2025. – Vol. 148 (3). – P. 031701. – DOI: 10.1115/1.4069854.

16. Tribo-informatics approach to predict wear and friction coefficient of Mg/Si?N? composites using machine learning techniques / M.B. Pasha, R.N. Rao, S. Ismail, M. Gupta, P.S. Prasad // Tribology International. – 2024. – Vol. 196. – P. 109696. – DOI: 10.1016/j.triboint.2024.109696.

17. Patel K. Material lifespan predictor // International Journal of Research in Science and Technology. – 2025. – Vol. 15 (4). – P. 31–41. – DOI: 10.37648/ijrst.v15i04.004.

18. Mechanical and tribological behavior of LM26/SiC/Ni-Gr hybrid composites / S.Y. Pawar, J. Haider, G. Pintaude, S.M. Sekar, V. Kolhe, K. Chandratre, S. Sonawane, P. Ritapure // Journal of Composites Science. – 2023. – Vol. 7 (4). – P. 159. – DOI: 10.3390/jcs7040159.

19. Radhika N., Sabarinathan M., Sivaraman S. A comparative analysis of machine learning techniques for predicting the wear rate of ceramic coated steel // IEEE Access. – 2024. – Vol. 12. – P. 146949–146967. – DOI: 10.1109/access.2024.3473028.

20. Predictions and mechanism analyses of the fatigue strength of steel based on machine learning / F. Yan, K. Song, Y. Liu, S. Chen, J. Chen // Journal of Materials Science. – 2020. – Vol. 55 (31). – P. 15334–15349. – DOI: 10.1007/s10853-020-05091-7.

21. Explainable machine learning in materials science / X. Zhong, B. Gallagher, S. Liu, B. Kailkhura, A. Hiszpanski, T.Y.-J. Han // Npj. Computational Materials. – 2022. – Vol. 8. – DOI: 10.1038/s41524-022-00884-7.

22. Towards an explainable multi-target regression for wear and friction prediction for brake pad materials / A. Sellami, M. Rekik, C. B. Njemma, R. Elleuch // Acta Polytechnica Hungarica. – 2024. – Vol. 21 (11). – P. 155–174. – DOI: 10.12700/aph.21.11.2024.11.9.

23. Tool wear mechanism and prediction in milling TC18 titanium alloy using deep learning / J. Ma, D. Luo, X. Liao, Z. Zhang, Y. Huang, J. Lu // Measurement. – 2021. – Vol. 173. – P. 108554. – DOI: 10.1016/j.measurement.2020.108554.

24. AI-driven wear monitoring of PVD TiAlN coated carbide insert in sustainable machining of Hastelloy C276: An industry 4.0 perspective / B. Sen, S. Saha, R. Kumar, R. Jhala, N. Patil, A. Mahapatro, A. Bhowmik, A. Santhosh // Results in Engineering. – 2025. – Vol. 25. – P. 104457. – DOI: 10.1016/j.rineng.2025.104457.

25. Machine learning in wear prediction / R. Shah, N. Pai, G. Thomas, S. Jha, V. Mittal, K. Shirvni, H. Liang // Journal of Tribology. – 2024. – Vol. 147 (4). – P. 040801. – DOI: 10.1115/1.4066865.

26. High-temperature ablation resistance prediction of ceramic coatings using machine learning / J. Sun, Z. Zhang, Y. Zhang, X. Zhang, J. Guo, Q. Fu, L. Wu// Journal of the American Ceramic Society. – 2024. – Vol. 108 (1). – DOI: 10.1111/jace.20136.

27. Bridging fidelities to predict nanoindentation tip radii using interpretable deep learning models / C.O.W. Trost, S. Zak, S. Schaffer, C. Saringer, L. Exl, M.J. Cordill // JOM. – 2022. – Vol. 74 (6). – P. 2195–2205. – DOI: 10.1007/s11837-022-05233-z.

28. A tensile properties-related fatigue strength predicted machine learning framework for alloys used in aerospace / J. Fan, Z. Wang, C. Liu, D. Shi, X. Yang // Engineering Fracture Mechanics. – 2024. – Vol. 301. – DOI: 10.1016/j.engfracmech.2024.110057.