RU2608156C2 - Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate - Google Patents
Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate Download PDFInfo
- Publication number
- RU2608156C2 RU2608156C2 RU2014151311A RU2014151311A RU2608156C2 RU 2608156 C2 RU2608156 C2 RU 2608156C2 RU 2014151311 A RU2014151311 A RU 2014151311A RU 2014151311 A RU2014151311 A RU 2014151311A RU 2608156 C2 RU2608156 C2 RU 2608156C2
- Authority
- RU
- Russia
- Prior art keywords
- metal
- microhardness
- coating
- ceramic
- neural network
- Prior art date
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/34—Sputtering
- C23C14/46—Sputtering by ion beam produced by an external ion source
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82B—NANOSTRUCTURES FORMED BY MANIPULATION OF INDIVIDUAL ATOMS, MOLECULES, OR LIMITED COLLECTIONS OF ATOMS OR MOLECULES AS DISCRETE UNITS; MANUFACTURE OR TREATMENT THEREOF
- B82B3/00—Manufacture or treatment of nanostructures by manipulation of individual atoms or molecules, or limited collections of atoms or molecules as discrete units
Abstract
Description
Изобретение относится к материаловедению и может быть использовано в различных областях современной электроники, альтернативной энергетике, машиностроении и т.д.The invention relates to materials science and can be used in various fields of modern electronics, alternative energy, mechanical engineering, etc.
Исследования последних лет показали, что материалы и покрытия с ультрамелкодисперсной структурой и наноструктурными упрочняющими элементами обладают улучшенными физико-химическими и механическими свойствами, поэтому в последние годы во всем мире проводятся работы по разработке способов получения материалов с наноструктурой.Recent studies have shown that materials and coatings with an ultrafine dispersed structure and nanostructured reinforcing elements have improved physicochemical and mechanical properties, therefore, in recent years, work has been carried out around the world to develop methods for producing materials with a nanostructure.
Весьма перспективным направлением является применение не просто наноструктурированных материалов, а нанокомпозитных материалов, сочетающих в себе металлическую и керамическую фазы, характерные размеры которых составляют единицы - десятки нанометров. Механические свойства таких наноструктурированных материалов в значительной степени зависят от концентрационного соотношения между металлической и керамической фазами. Изменение концентрации одной из фаз в композите позволяет менять значение их механических характеристик в достаточно широких пределах. С другой стороны, для нахождения требуемого соотношения металлической и керамической фаз в покрытии, с целью получения заданных свойств, требуются значительные дорогостоящие экспериментальные работы, т.к. характеристики получаемого покрытия изменяются нелинейно, что приводит к значительным временным и материальным затратам.A very promising direction is the use of not just nanostructured materials, but nanocomposite materials that combine metal and ceramic phases, whose characteristic dimensions are units - tens of nanometers. The mechanical properties of such nanostructured materials are largely dependent on the concentration ratio between the metal and ceramic phases. Changing the concentration of one of the phases in the composite allows you to change the value of their mechanical characteristics in a fairly wide range. On the other hand, to find the required ratio of the metal and ceramic phases in the coating, in order to obtain the desired properties, significant expensive experimental work is required, because the characteristics of the resulting coating change nonlinearly, which leads to significant time and material costs.
Известен способ получения наноструктурного покрытия из композита металл-керамика состава (Co86Nb12Ta2)x(SiOn)100-x, включающий осаждение композита ионно-лучевым распылением с обеспечением образования гранул металлической фазы со средним диаметром 2-4 нм, изолированных сплошной керамической фазой, при этом концентрацию металлической фазы при распылении выбирают в пределах 20-40 ат. %. (Патент РФ №2515600, заявка №2011148577/02 от 29.11.2011, МПК: С23С 14/46, С23С 14/06, В82В 3/00 - прототип).A known method of producing a nanostructured coating from a metal-ceramic composite of the composition (Co 86 Nb 12 Ta 2 ) x (SiO n ) 100-x , including the deposition of the composite by ion-beam spraying with the formation of granules of the metal phase with an average diameter of 2-4 nm, isolated continuous ceramic phase, while the concentration of the metal phase during spraying is chosen in the range of 20-40 at. % (RF patent No. 2515600, application No. 20111148577/02 of 11.29.2011, IPC: C23C 14/46, C23C 14/06, B82B 3/00 - prototype).
Основным недостатком данного способа является то, что для нахождения требуемого соотношения металлической и керамической фаз в покрытии, с целью получения заданных свойств, требуются значительные дорогостоящие экспериментальные работы.The main disadvantage of this method is that to find the desired ratio of the metal and ceramic phases in the coating, in order to obtain the desired properties, significant expensive experimental work is required.
Данные обстоятельства обуславливают целесообразность применения методов обработки экспериментальных данных для построения экспериментальных факторных моделей, которые не раскрывают физической сущности явлений, но позволяют описывать и, самое главное, прогнозировать практически важные свойства материалов в некоторой ограниченной области факторного пространства.These circumstances determine the expediency of using experimental data processing methods for constructing experimental factor models that do not reveal the physical essence of phenomena, but allow us to describe and, most importantly, predict practically important properties of materials in a certain limited area of factor space.
Искусственные нейронные сети (ИНС) являются мощным и универсальным алгоритмом аппроксимации (см., например, Барский А.Б. Ведение в нейронные сети, М.: Интернет-Университет информационных технологий, 2011; Калацкая Л.В., Новиков В.Α., Садов В.С. Организация и обучение искусственных нейронных сетей: Экспериментальное учеб. пособие. - Минск: Изд-во БГУ, 2003. - 72 с. Галушкин А.И. Синтез многослойных систем распознавания образов. - М.: Энергия, 1974).Artificial neural networks (ANNs) are a powerful and universal approximation algorithm (see, for example, Barsky A.B. Maintenance in neural networks, Moscow: Internet University of Information Technologies, 2011; Kalatskaya L.V., Novikov V.Α. , Sadov V.S. Organization and training of artificial neural networks: An experimental textbook.– Minsk: BSU Publishing House, 2003. - 72 pp. A. Galushkin Synthesis of multilayer pattern recognition systems. - M.: Energy, 1974 )
С одной стороны, искусственные нейронные сети слабочувствительны к структуре экспериментальных данных, а с другой - способны выявлять зависимости между входными и выходными данными, а также выполнять обобщение на основе сравнительно небольшого массива экспериментальных результатов. Нейросетевые алгоритмы способны аппроксимировать произвольную многофакторную зависимость с любой точностью при соответствующей регуляризации процедуры настройки параметров аппроксимационного уравнения. В случае успешного обучения такая сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также на основе неполных или частично искаженных данных. Вследствие этого нейронные сети можно рассматривать не только как инструмент аппроксимации, но и как способ прогнозирования физических свойств реальных объектов на основе экспериментальных данных.On the one hand, artificial neural networks are weakly sensitive to the structure of experimental data, and on the other hand, they are able to identify dependencies between input and output data, as well as to generalize based on a relatively small array of experimental results. Neural network algorithms are able to approximate an arbitrary multi-factorial dependence with any accuracy with the appropriate regularization of the procedure for setting the parameters of the approximation equation. In the case of successful training, such a network will be able to return the correct result based on data that were not in the training sample, as well as on the basis of incomplete or partially distorted data. As a result, neural networks can be considered not only as an approximation tool, but also as a way of predicting the physical properties of real objects based on experimental data.
Задачей предложенного технического решения является устранение лишних временных и материальных затрат посредством создания способа определения концентрации компонент в наноструктурном покрытии из гранулированного композита «металл-керамика» и получение собственно самого наноструктурного покрытия из гранулированного композита «металл-керамика», применение которого позволит обеспечить повышенную износостойкость и высокую стабильность параметров с одновременным снижением себестоимости.The objective of the proposed technical solution is to eliminate unnecessary time and material costs by creating a method for determining the concentration of components in a nanostructured coating from a granular metal-ceramic composite and obtaining the nanostructure itself from a granular metal-ceramic composite, the use of which will provide increased wear resistance and high stability of parameters while reducing cost.
Решение указанной задачи достигается тем, что в предложенном способе получения нанокомпозитного металл-керамического покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины, включающем нанесение ионно-лучевым распылением покрытия с необходимым процентным содержанием металлической и керамической фаз, согласно изобретению процентное соотношение металлической и керамической фаз для нанесения наноструктурного покрытия с заданным значением микротвердости определяют с помощью нейронной сети, для чего наносят покрытия с заданным шагом процентного соотношения фаз металл-керамика, изменяющимся в покрытии от нуля до максимума, определяют значения микротвердости нанесенных покрытий, затем на основании полученных данных создают искусственную нейронную сеть, проводят ее обучение, тестируют полученную нейросетевую модель путем последовательного исключения из статистической выборки, которая использовалась для ее обучения, экспериментально измеренных факторов нейросетевой модели, включающих микротвердость металлического покрытия Hм, микротвердость керамического покрытия Hк , концентрацию металлической фазы в композите См и микротвердость нанокомпозитного покрытия H в качестве выходного параметра модели, с последующим их определением при помощи полученной нейросетевой модели и сравнения полученных теоретических данных с исходными экспериментальными значениями, затем в искусственную нейронную сеть вводят значения микротвердости металлического и керамического покрытия, их процентное соотношение в получаемом покрытии, и при помощи искусственной нейронной сети рассчитывают значение микротвердости металл-керамического нанокомпозитного покрытия при введенном процентном соотношении металлической и керамической фаз.The solution to this problem is achieved by the fact that in the proposed method for producing a nanocomposite metal-ceramic coating with a given value of microhardness on the surface of a polished ceramic plate, including applying an ion-beam spray coating with the required percentage of metal and ceramic phases, according to the invention, the percentage of metal and ceramic phases for applying a nanostructured coating with a given value of microhardness is determined using a neural network, for why coatings are applied with a given step of the percentage of metal-ceramic phases, varying from zero to maximum in the coating, the microhardness of the applied coatings is determined, then, based on the data obtained, an artificial neural network is created, it is trained, the resulting neural network model is tested by sequential exclusion from the statistical the sample that was used for its training, experimentally measured factors of the neural network model, including the microhardness of the metal coating H m, microhardness of ceramic coating H k, the concentration of the metal phase in the composite is C m and microhardness nanocomposite coating H as an output parameter of the model, with subsequent determination using the resulting neural network model and comparing the theoretical data with the original experimental values, and then in artificial neural the network introduces the microhardness values of the metal and ceramic coatings, their percentage in the resulting coating, and using artificial neural Children calculate the microhardness value of the metal-ceramic nanocomposite coating with the entered percentage of the metal and ceramic phases.
В варианте применения способа после сравнения полученных теоретических данных с исходными экспериментальными значениями проводят корректировку полученной нейросетевой модели, после чего тестируют полученную искусственную нейронную сеть аналогичным образом до получения требуемой сходимости результатов.In the application of the method, after comparing the obtained theoretical data with the initial experimental values, the obtained neural network model is adjusted, and then the obtained artificial neural network is tested in a similar way to obtain the required convergence of the results.
Сущность изобретения иллюстрируется чертежами, где на фиг. 1 показаны концентрационные зависимости параметра, характеризующего механические свойства композитов CoFeZr-Al2O3, с указанием точек, полученных экспериментальными и аналитическими исследованиями, на фиг. 2 - зависимости для композитов Fe-Al2O3, на фиг. 3 - зависимости для композитов Fe-SiO2, на фиг. 4 - зависимости для композитов Co-CaF.The invention is illustrated by drawings, where in FIG. 1 shows the concentration dependences of a parameter characterizing the mechanical properties of CoFeZr-Al 2 O 3 composites, indicating the points obtained by experimental and analytical studies, FIG. 2 shows the dependences for Fe-Al 2 O 3 composites; FIG. 3 shows the dependences for Fe-SiO 2 composites; FIG. 4 - dependences for Co-CaF composites.
На всех фигурах показана концентрационная зависимость микротвердости композитов, измеренная методом Кнупа (символы) и полученная с помощью нейросетевой модели (линия).All figures show the concentration dependence of the microhardness of the composites, measured by the Knoop method (symbols) and obtained using the neural network model (line).
Предложенный способ реализуется следующим образом.The proposed method is implemented as follows.
Экспериментальные данные представляли собой результат исследования микротвердости нанокомпозитных покрытий металл-керамика, отличающихся друг от друга, как элементным составом, так и соотношением фаз. В качестве факторов модели приняты экспериментально измеренные величины: микротвердость чистого металлического покрытия (Нм), микротвердость чистого керамического покрытия (Нк) и концентрация металличекой фазы в композите (См), при этом в качестве выходного параметра модели используется значение микротвердости композитного покрытия (Н).The experimental data were the result of a study of the microhardness of metal-ceramic nanocomposite coatings, which differ from each other in both elemental composition and phase ratio. The experimentally measured values were taken as model factors: the microhardness of a pure metal coating (N m ), the microhardness of a pure ceramic coating (N k ) and the concentration of the metallic phase in the composite (C m ), while the microhardness of the composite coating is used as the output parameter of the model ( H).
Все данные получены при исследовании нанокомпозитов, которые, в свою очередь, были получены по единой технологии, в одинаковых условиях на одном и том же оборудовании. Покрытия представляли собой тонкие пленки толщиной 5-7 мкм, нанесенные на поверхность полированных пластин СТ-50. Осаждение покрытий производилось с помощью метода ионно-лучевого распыления составных мишеней в атмосфере аргона и последующего осаждения выбитых атомов на поверхность подложки. Образование композитной структуры в напыляемых покрытиях происходило вследствие процессов самоорганизации. Наличие композитной структуры у исследованных покрытий непосредственно подтверждалось данными просвечивающей электронной микроскопии.All data was obtained in the study of nanocomposites, which, in turn, were obtained using a single technology, under the same conditions on the same equipment. The coatings were thin films 5–7 μm thick deposited on the surface of polished plates ST-50. The deposition of coatings was carried out using the method of ion beam sputtering of composite targets in an argon atmosphere and the subsequent deposition of knocked out atoms on the surface of the substrate. The formation of a composite structure in sprayed coatings occurred as a result of self-organization processes. The presence of a composite structure in the coatings studied was directly confirmed by transmission electron microscopy.
Для структурных исследований композиты наносились на монокристаллические подложки из NaCl с последующим отделением, а длительность процесса осаждения составляла несколько минут. Микротвердость композитных покрытий исследовалась методом индентирования алмазной пирамидкой. Поскольку толщина покрытий находилась в интервале 5-7 мкм, для измерений использовалась алмазная пирамидка Кнупа. Все измерения микротвердости проводились при одинаковой нагрузке на индентор, составлявшей 0.49 Н.For structural studies, composites were deposited on single-crystal NaCl substrates with subsequent separation, and the duration of the deposition process was several minutes. The microhardness of composite coatings was studied by indentation with a diamond pyramid. Since the coating thickness was in the range of 5–7 μm, the Knoop diamond pyramid was used for measurements. All microhardness measurements were carried out with the same indenter load of 0.49 N.
При помощи искусственной нейронной сети рассчитывают значения микротвердости получаемого нанокомпозитного покрытия металл-керамика при возможном соотношении металлической и керамической фаз, при этом для формирования отображения: H=fN(Ηм,Hк,cм) используют стандартную структуру многослойного персептрона и формируют персептрон, после чего выход сети рассчитывают по формуле: 
где: bk ij - значение порога активации i (j)-го нейрона k-го скрытого слоя нейронной сети; b0 - значение порога активации выходного нейрона сети; b - вектор порогов активации нейронов сети; см - концентрация металлической фазы в нанокомпозите, ат. %; ED - суммарная квадратическая ошибка обучения сети; EW - сумма квадратов весов сети; fs - функция активации j-го нейрона - логистическая сигмоида; F - целевая функция обучения сети; Н - микротвердость композита с определенной концентрацией металлической фазы, ед. Кнупа; Hk и НМ - микротвердость чистой керамической и металлической фазы соответственно, ед. Кнупа; K - энергетический фактор; q - количество нейронов в случае одного скрытого слоя многослойного персептрона; νi - вес нейрона выходного слоя, соответствующий i-му нейрону последнего скрытого слоя; νil - вес соединения i-го нейрона первого скрытого слоя с l-м входом; v - матрица весов соединений входных переменных и нейронов первого скрытого слоя; wji - нелинейно входящий в модель нейронной сети вес между j-м нейроном второго скрытого слоя и i-м нейроном первого скрытого слоя; w - матрица весов соединений нейронов первого и второго скрытых слоев персептрона; y - выходное значение нейронной сети, к - керамический; м - металлический; i - номер нейрона первого скрытого слоя; j - номер нейрона второго скрытого слоя; l - номер входной переменной; n - количество входных переменных.where: b k ij is the activation threshold of the i (j) th neuron of the kth hidden layer of the neural network; b 0 - value of the activation threshold of the output neuron of the network; b is the vector of activation thresholds for neurons in the network; with m is the concentration of the metal phase in the nanocomposite, at. %; E D is the total quadratic error of network learning; E W - the sum of the squares of the network weights; f s - activation function of the j-th neuron - logistic sigmoid; F is the target function of network learning; N - microhardness of the composite with a certain concentration of the metal phase, units Knoop; H k and N M - microhardness of the pure ceramic and metal phases, respectively, units Knoop; K is the energy factor; q is the number of neurons in the case of one hidden layer of a multilayer perceptron; ν i is the weight of the neuron of the output layer corresponding to the i-th neuron of the last hidden layer; ν il is the weight of the connection of the i-th neuron of the first hidden layer with the l-th input; v is the matrix of weights of the compounds of input variables and neurons of the first hidden layer; w ji is the weight nonlinearly included in the neural network model between the jth neuron of the second hidden layer and the i-th neuron of the first hidden layer; w is the matrix of weights of the connections of neurons of the first and second hidden layers of the perceptron; y is the output value of the neural network, k is ceramic; m - metal; i is the number of the neuron of the first hidden layer; j is the number of the neuron of the second hidden layer; l is the number of the input variable; n is the number of input variables.
Проведенные экспериментальные и аналитические исследования на натурных образцах подтвердили достаточно хорошую сходимость экспериментальных данных с теоретическими данными, полученными при использовании заложенной математической модели, что показывает работоспособность предложенного способа в заданном интервале.The experimental and analytical studies on full-scale samples confirmed a fairly good convergence of experimental data with theoretical data obtained using the embedded mathematical model, which shows the efficiency of the proposed method in a given interval.
Использование предложенного технического решения позволит построить регрессионные зависимости, открытые для новых данных, то есть созданные модели могут пополняться и уточняться за счет введения новых факторов, что усложняет их структуру, но при этом повышает их адекватность.Using the proposed technical solution will allow us to build regression dependencies that are open to new data, that is, the created models can be replenished and refined by introducing new factors, which complicates their structure, but at the same time increases their adequacy.
Claims (2)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2014151311A RU2608156C2 (en) | 2014-12-17 | 2014-12-17 | Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2014151311A RU2608156C2 (en) | 2014-12-17 | 2014-12-17 | Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2014151311A RU2014151311A (en) | 2016-07-10 |
| RU2608156C2 true RU2608156C2 (en) | 2017-01-16 |
Family
ID=56372560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2014151311A RU2608156C2 (en) | 2014-12-17 | 2014-12-17 | Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2608156C2 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011084804A (en) * | 2009-09-18 | 2011-04-28 | Kobelco Kaken:Kk | Metal oxide-metal composite sputtering target |
| CN101624295B (en) * | 2008-07-10 | 2012-02-22 | 中国科学院合肥物质科学研究院 | Tungsten nitride based ternary nano composite super-hard film material and preparation method thereof |
| RU2471021C1 (en) * | 2011-04-20 | 2012-12-27 | Федеральное Государственное Унитарное Предприятие "Центральный Научно-Исследовательский Институт Конструкционных Материалов "Прометей" (Фгуп "Цнии Км "Прометей") | Method for obtaining nanocomposite coatings |
| RU2515600C2 (en) * | 2011-11-29 | 2014-05-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" | Method of production of nanostructured coating |
-
2014
- 2014-12-17 RU RU2014151311A patent/RU2608156C2/en not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101624295B (en) * | 2008-07-10 | 2012-02-22 | 中国科学院合肥物质科学研究院 | Tungsten nitride based ternary nano composite super-hard film material and preparation method thereof |
| JP2011084804A (en) * | 2009-09-18 | 2011-04-28 | Kobelco Kaken:Kk | Metal oxide-metal composite sputtering target |
| RU2471021C1 (en) * | 2011-04-20 | 2012-12-27 | Федеральное Государственное Унитарное Предприятие "Центральный Научно-Исследовательский Институт Конструкционных Материалов "Прометей" (Фгуп "Цнии Км "Прометей") | Method for obtaining nanocomposite coatings |
| RU2515600C2 (en) * | 2011-11-29 | 2014-05-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" | Method of production of nanostructured coating |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2014151311A (en) | 2016-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Krimi et al. | Highly accurate thickness measurement of multi-layered automotive paints using terahertz technology | |
| Rafieerad et al. | GEP-based method to formulate adhesion strength and hardness of Nb PVD coated on Ti–6Al–7Nb aimed at developing mixed oxide nanotubular arrays | |
| Rashidi et al. | Prediction of the relative texture coefficient of nanocrystalline nickel coatings using artificial neural networks | |
| Mousavifard et al. | Application of artificial neural network and adaptive neuro-fuzzy inference system to investigate corrosion rate of zirconium-based nano-ceramic layer on galvanized steel in 3.5% NaCl solution | |
| McDonald et al. | Residual stresses in Cu/Ni multilayer thin films measured using the Sin 2 ψ method | |
| Goktepe et al. | Shear strength estimation of plastic clays with statistical and neural approaches | |
| Méndez-Figueroa et al. | Electrochemical evaluation of an Acanthocereus tetragonus aqueous extract on aluminum in NaCl (0.6 M) and HCl (1 M) and its modelling using forward and inverse artificial neural networks | |
| RU2608156C2 (en) | Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate | |
| RU2608157C2 (en) | Method of producing wear-resistant nanocomposite coating with specified value of microhardness on surface of polished glass-ceramic plate | |
| Tuntas et al. | An ANFIS model to prediction of corrosion resistance of coated implant materials | |
| Jassbi et al. | Car paint thickness control using artificial neural network and regression method | |
| RU2608159C2 (en) | Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it | |
| RU2608158C2 (en) | Method of producing nanocomposite metal-ceramic coatings with required microhardness values | |
| Gupta et al. | Time series analysis of forecasting Indian rainfall | |
| Kumar et al. | Use of artificial neural network models to predict coated component life from short-term electrochemical impedance spectroscopy measurements | |
| CN117616354A (en) | Method for adjusting coating process parameters for producing coated transparent substrates | |
| Iwasaki | Molecular dynamics study on the effect of lattice mismatch on adhesion strength between organic materials and metals | |
| Hadjimi et al. | Impedance Spectroscopy and Neurocomputing Approaches to Investigate the Enhanced Electrical Blocking Properties of CH3 (CH2) n− 1SH Thin Monolayers Electrodeposited on a Gold Electrode | |
| Mladenović et al. | Artificial neural network for composite hardness modeling of Cu/Si systems fabricated using various electrodeposition parameters | |
| H. Karahan et al. | A comparison for grain size calculation of Cu-Zn alloys with genetic programming and neural networks | |
| Priya et al. | Time Series Analysis of Forecasting Indian Rainfall | |
| Valyukhov et al. | Use of neutral-network approximation for prediction of the microhardness of nanocomposite coatings | |
| CN111160464A (en) | Industrial high-order dynamic process soft measurement method based on multi-hidden-layer weighted dynamic model | |
| Xu | A fast online estimator of hot-dip zinc coating weight using improved dynamic fuzzy neural networks | |
| Nasser et al. | Identification of Fe-Zn coating behaviors by a new reverse approach using artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171218 |