Комп’ютерне моделювання експериментальних даних при стиковому зварюванні армуючих профілів

2025;
: cc. 111 - 120
1
Державний вищий навчальний заклад «Приазовський державний технічний університет», кафедра інформатики, Дніпро, Україна
2
Технічний університет «Метінвест Політехніка», кафедра металургії, матеріалознавства та організації виробництва, Запоріжжя, Україна
3
Державний вищий навчальний заклад «Приазовський державний технічний університет», кафедра інформатики, Дніпро, Україна
4
Державний вищий навчальний заклад «Приазовський державний технічний університет», кафедра інформатики, Дніпро, Україна

У статті представлено результати математичного та комп’ютерного моделювання процесу стикового зварювання оцинкованих сталевих штаб, з яких формували армувальні профілі, що використовуються у виробництві металопластикових вікон. Актуальність дослідження зумовлена необхідністю підвищення якості з’єднань та стабільності виробничих процесів у галузі віконного виробництва. Основною метою роботи є побудова моделей, здатних з високою точністю прогнозувати міцність профілю у місті зварного з’єднання на основі ключових параметрів зварювання. Для аналізу експериментальних даних застосовано сучасні методи Data Science, серед яких регресійний аналіз, логістичне моделювання, а також алгоритми машинного навчання. Збір, опрацювання та візуалізація даних здійснювались із використанням бібліотек Python (Pandas, Scikit-learn, Seaborn). Побудовано кілька варіантів регресійних моделей, серед яких поліноміальні моделі другого та четвертого ступенів виявилися найбільш ефективними. Модель четвертого ступеня продемонструвала найкращі результати за критеріями точності та достовірності, що вказує на наявність складної нелінійної залежності між силою зварювального струму, часом нагріву, товщиною штрипсу та отриманим коефіцієнтом міцності з’єднання. Отримані результати можуть бути використані для розроблення рекомендацій щодо вдосконалення режимів стикового зварювання в умовах серійного виробництва. Висновки засвідчують ефективність використання поєднання методів лінійного, поліноміального та множинного регресійного аналізу для вирішення задачі прогнозування якості зварного з’єднання. Запропонований підхід є ефективним інструментом для цифрової оптимізації технологічних процесів та може бути інтегрований у системи промислового контролю якості та автоматизації виробництва.

  1. Bergerud, W. A. (1996). Introduction to logistic regression models with worked forestry examples. Biometrics Information Handbook No. 7. Retrieved from https://user.mendelu.cz/drapela/Statisticke_metody/Tuto- rialy/Introduction%20to%20Logistic%20Regression%20Models.pdf
  2. Campos, G. O., Zimek, A., Sander, J., Campello, R. J. G. B., Micenková, B., Schubert, E., Assent, I., & Houle, M.E. (2016). On the evaluation of unsupervised outlier detection: Measures, datasets, and an empirical study.Data Mining and Knowledge Discovery, 30(4), 891–927. https://doi.org/10.1007/s10618-015-0444-8
  3. Chaturvedi, M., Subbiah, A. V., Simion, G., Rusu, C. C., & Scutelnicu, E. (2023). Critical review on magnetically impelled arc butt welding: Challenges, perspectives and industrial applications. Materials, 16(21), 7054. https://doi.org/10.3390/ma16217054
  4. Demoulin, L., Zahar, Z., El Mekkaoui, A., Reignier, A., Mocellin, K., Montmitonnet, P., & Leger, P. E. (2022). FEM modelling of weld damage in continuous cold rolling of MIG/MAG butt-welded stainless steel strips. Key Engineering Materials, 926, 569–579. https://doi.org/10.4028/p-3b3cjo
  5. EPPA. (n.d.). Welding PVC-U window profiles. Part 1: Heating element–Butt-welding. European PVC Window Profile  and  related  Building  Products  Association.  Retrieved  June  12,  2025,  from  https://www.gkfp.de/fileadmin/user_upload/Publikationen/Technische-Leitf... de_WeldingEuropeEN_Web.pdf
  6. Goyal, R., El-Zein, M., & Glinka, G. (2016). A robust stress analysis method for fatigue life prediction of welded structures. Welding in the World, 60(2), 299–314. https://doi.org/10.1007/s40194-016-0295-y
  7. Gupta, S., & Gupta, A. (2019). Dealing with noise problem in machine learning data-sets: A systematic review.Procedia Computer Science, 161, 466–474. https://doi.org/10.1016/j.procs.2019.11.146
  8. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning (2nd ed.).Springer. https://doi.org/10.1007/978-1-0716-1418-1
  9. Kamburov, V., & Nikolov, A. (2022). Comparison of the continuous constrained double bending process with equal channel angular extrusion conform process by simulation modelling. In Electronica 2022 (pp. 1–4). IEEE. https://doi.org/10.1109/electronica55578.2022.9874408
  10. Karnaukh, S. G., Markov, O. E., Aliieva, L. I., & Kukhar, V. V. (2020). Designing and researching of the equipment for cutting by breaking of rolled stock. The International Journal of Advanced Manufacturing Technology, 109(9–12), 2457–2464. https://doi.org/10.1007/s00170-020-05824-7
  11. Karnaukh, S. G., Markov, O. E., Shapoval, A. A., & Hrudkina, N. S. (2023). Selecting a cutting method for workpieces before stamping using synergetic fracture criteria and a deformability limit determination technique for separating processes. The International Journal of Advanced Manufacturing Technology, 129(11–12), 5447–5455.
  12. Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering, 160, 3–24.
  13. Kukhar, V., Balalayeva, E., Tomaszuk, A., Klimov, E., Glazko, V., & Korenko, M. (2021). Electric strain gauges method in the effectiveness assessment for the C-frame crank press elastic compensators. In Proceedings of the 2021 IEEE International Conference on Modern Electrical and Energy Systems (MEES) (pp. 1–6). IEEE. https://doi.org/10.1109/mees52427.2021.9598682
  14. Kukhar, V., Malii, K., Shtoda, M., Hrudkina, N., Boiko, I., & Spichak, O. (2023). Influence of welding current and electric butt-welding of strip conditions on the U-channel section strength after roll-forming. In Proceedings of the 2022 IEEE 4th International Conference on Modern Electrical and Energy System (MEES) (Vol. 926, pp. 1–5). IEEE. https://doi.org/10.1109/mees61502.2023.10402482
  15. Pandas. (2019). Python data analysis library — pandas: Python data analysis library. Retrieved from https://pandas.pydata.org
  16. Qiu, L., Zhang, S., Wang, Z., Hu, X., & Liu, X. (2019). A robust optimization design method for sheet metal roll forming and its application in roll forming circular cross-section pipe. The International Journal of Advanced Manufacturing Technology, 103(9–12), 2903–2916. https://doi.org/10.1007/s00170-019-03773-4
  17. Scikit-learn developers. (2017). Scikit-learn user guide (Release 0.18.2). Retrieved from https://scikit- learn.org/0.18/_downloads/scikit-learn-docs.pdf
  18. Scikit-learn. (n.d.). sklearn.preprocessing.PolynomialFeatures — Scikit-learn 0.23.2 documentation. Retrieved from https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.PolynomialFeatures.html
  19. Seaborn. (n.d.). User guide and tutorial – Seaborn 0.13.0 documentation. Retrieved from https://seaborn. pydata.org/tutorial
  20. Shatskyi, I., & Perepichka, V. (2018). Problem of dynamics of an elastic rod with decreasing function of elastic- plastic external resistance. In Dynamical Systems in Applications (pp. 335–342). Springer. https://doi.org/10.1007/978-3-319-96601-4_30
  21. Zhou, L., Zhang, T., Zhang, Z., Lei, Z., & Zhu, S. (2021). A new online quality monitoring method of chain resistance upset butt welding based on Isolation Forest and Local Outlier Factor. Journal of Manufacturing Processes, 68, 843–851. https://doi.org/10.1016/j.jmapro.2021.06.005