Image Microstructure Estimation Algorithm of Heterogeneous Materials for Identification Their Chemical Composition

Shapovalova, Mariya; Vodka, Oleksii

doi:10.1109/ukrcon.2019.8879861

Cited by 14 publications

(3 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The study of the mechanical properties of the material can be performed using field experiments [10,16,17], an approach to the analysis of the microstructure of the material can be used [11,12,18], as well as the implementation of field experiments with numerical modeling [8]. In that investigation for define material properties of PLA material.…”

Section: Presentation Of Basic Materialsmentioning

confidence: 99%

An Experimental Study on Elastic and Strength Properties of Addictively-Manufactured Plastic Materials

Potopalska

Tyshkovets

Kalinovskyi

et al. 2021

MSF

View full text Add to dashboard Cite

Additive manufacturing technologies continue to develop extremely fast. Their opportunity of reproducing any given complex geometric form they superior to traditional production technologies. Despite the rapid development and distribution, there are still areas that require special attention for the study of the behavior of materials for 3D printing. This work presents method of defining mechanical property of PLA plastic for 3D printed parts. For this, a full-scale experiment was carried out using specimens created by 3D printing. After carrying out the tensile test, the tensile diagram was determined.

show abstract

Section: Presentation Of Basic Materialsmentioning

confidence: 99%

An Experimental Study on Elastic and Strength Properties of Addictively-Manufactured Plastic Materials

Potopalska

Tyshkovets

Kalinovskyi

et al. 2021

MSF

View full text Add to dashboard Cite

show abstract

“…It allows consideration of the issue of developing an effective multilayer perceptron model and using it in the prediction of the remaining useful life for the grinding wheel is discussed. This study can be supplemented by M. Shapovalova et al [ 25 ], where the architecture of a convolution neural network for image analysis of steel microstructure has been offered.…”

Section: Literature Reviewmentioning

confidence: 99%

Parameter Identification of Cutting Forces in Crankshaft Grinding Using Artificial Neural Networks

et al. 2020

View full text Add to dashboard Cite

The intensifying of the manufacturing process and increasing the efficiency of production planning of precise and non-rigid parts, mainly crankshafts, are the first-priority task in modern manufacturing. The use of various methods for controlling the cutting force under cylindrical infeed grinding and studying its impact on crankpin machining quality and accuracy can improve machining efficiency. The paper deals with developing a comprehensive scientific and methodological approach for determining the experimental dependence parameters’ quantitative values for cutting-force calculation in cylindrical infeed grinding. The main stages of creating a method for conducting a virtual experiment to determine the cutting force depending on the array of defining parameters obtained from experimental studies are outlined. It will make it possible to get recommendations for the formation of a valid route for crankpin machining. The research’s scientific novelty lies in the developed scientific and methodological approach for determining the cutting force, based on the integrated application of an artificial neural network (ANN) and multi-parametric quasi-linear regression analysis. In particular, on production conditions, the proposed method allows the rapid and accurate assessment of the technological parameters’ influence on the power characteristics for the cutting process. A numerical experiment was conducted to study the cutting force and evaluate its value’s primary indicators based on the proposed method. The study’s practical value lies in studying how to improve the grinding performance of the main bearing and connecting rod journals by intensifying cutting modes and optimizing the structure of machining cycles.

show abstract

“…Другу групу досліджень [7][8][9][10][11][12][13] об'єднує застосування технологій комп'ютерного бачення. Розпізнавання образів зображення використовують для: класифікації структури за відповідними ознаками [7; 10]; оцінки кількості дефектів (вироджених графітових вузликів [8]); сегментації складних мікроструктур [11], знаходження розмірів частинок і розподілу їх на площині, а також застосовуються як вхідні дані для тренування нейронних мереж для прогнозування властивостей матеріалу відповідно до зображення його мікроструктури [12][13].…”

unclassified

Computer Methods for Constructing Parametric Statistically Equivalent Models of High-Strength Cast Iron Microstructure to Analyze It’s Elastic Characteristics

Shapovalova¹,

Vodka²

2019

Scientific notes of Taurida National V.I. Vernadsky University.

View full text Add to dashboard Cite

Аналіз мікроструктури матеріалу є однією з важливих частин контролю якості виготовленої продукції. Дослідження мікроструктури дає змогу отримати інформацію про стан матеріалу з оцінкою зображення його структури і не потребує додаткового обладнання для проведення випробувань і створення зразка. В роботі проводиться аналіз чавуну з включеннями сфероїдального графіту. Цей матеріал знайшов широке застосування у машинобудуванні. Використання високоміцного чавуну під час виробництва відповідальних вузлів: осей підвіски, шатунів, зубчастих коліс, розподільних валів, елементів гальмування-сприяє зниженню енерговитрат і здешевленню кінцевого продукту. У роботі пропонуються комп'ютерні методи побудови параметричних статистично еквівалентних моделей мікроструктури чавуну з включенням графіту сфероїдальної форми. Аналізуються металографічні зображення матеріалу засобами бібліотеки комп'ютерного бачення OpenCV. Виявляються контури, що охоплюють графітові включення у фериті. Робиться припущення, що графіт має форму кола. Проводиться апроксимація показників дисперсії та математичного очікування радіусів для знаходження залежності розмірів включень від їхньої концентрації. Ця залежність дає змогу реалізувати генерацію статистично еквівалентної штучної мікроструктури чавуну. Для знаходження пружних характеристик матеріалу будується скінчено елементна модель. Для проведення обчислень вважається, що ферит-це ізотропний матеріал, а графіт-має гексагональну структуру кристалічної решітки. Напружений стан розглядається на основі плоских моделей. Проводиться 200 чисельних експериментів для 17-ти значень різноманітних концентрацій включень. Отримані результати для пружних констант статистично усереднені, та встановлюються залежності коефіцієнта Пуассона, модуля пружності та зсуву від концентрації включень. Для оцінки достовірності отримані значення порівнюються з даними, отриманими за допомогою правила суміші. Результати застосування правила підтверджують коректність побудованих моделей. Однак верхня межа довірчого інтервалу перевищує верхню оцінку модуля пружності. Це пояснюється складністю реальних властивостей графіту, та не можливістю врахування орієнтації головних осей кристалів графіту, відповідно до правила суміші. Тому порівняння відбувається лише за середніми значеннями.

show abstract

Image Microstructure Estimation Algorithm of Heterogeneous Materials for Identification Their Chemical Composition

Cited by 14 publications

References 10 publications

An Experimental Study on Elastic and Strength Properties of Addictively-Manufactured Plastic Materials

An Experimental Study on Elastic and Strength Properties of Addictively-Manufactured Plastic Materials

Parameter Identification of Cutting Forces in Crankshaft Grinding Using Artificial Neural Networks

Computer Methods for Constructing Parametric Statistically Equivalent Models of High-Strength Cast Iron Microstructure to Analyze It’s Elastic Characteristics

Contact Info

Product

Resources

About