RU2608157C2 - Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины - Google Patents
Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины Download PDFInfo
- Publication number
- RU2608157C2 RU2608157C2 RU2014151313A RU2014151313A RU2608157C2 RU 2608157 C2 RU2608157 C2 RU 2608157C2 RU 2014151313 A RU2014151313 A RU 2014151313A RU 2014151313 A RU2014151313 A RU 2014151313A RU 2608157 C2 RU2608157 C2 RU 2608157C2
- Authority
- RU
- Russia
- Prior art keywords
- coating
- microhardness
- metal
- phases
- ceramic
- 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
- C23C14/06—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the coating material
- C23C14/0688—Cermets, e.g. mixtures of metal and one or more of carbides, nitrides, oxides or borides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
- B82Y30/00—Nanotechnology for materials or surface science, e.g. nanocomposites
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Feedback Control In General (AREA)
- Coating By Spraying Or Casting (AREA)
Abstract
Изобретение относится к материаловедению и может быть использовано в различных областях современной электроники, альтернативной энергетике и машиностроении. Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины ионно-лучевым распылением включает обеспечение в получаемом покрытии необходимого процентного соотношения металлической и керамической фаз при определенном химическом составе упомянутых фаз, при этом определяют значения микротвердости для металлического и керамического покрытий различного химического состава без примесей керамической или металлической фазы соответственно, затем получают покрытие с заданным химическим составом и заданным процентным соотношением указанных фаз с определенным шагом и с изменением процентного соотношения фаз металл-керамика в покрытии от нуля до максимума, после чего определяют значения микротвердости полученного покрытия при заданном соотношении указанных фаз. На основании полученных данных создают искусственную нейронную сеть, проводят ее обучение. Затем проводят тестирование полученной нейросетевой модели путем последовательного исключения из статистической выборки, которая использовалась для ее обучения, факторов нейросетевой модели в виде экспериментально измеренных величин, включающих микротвердость металлического покрытия (Нм), микротвердость керамического покрытия (Нк) и концентрацию металлической фазы в композите (Ск) с последующим определением при помощи полученной нейросетовой модели ее выходного параметра в виде значения микротвердости нанокомпозитного покрытия (Н) и сравнением полученного теоретического значения с исходными экспериментальными данными. Затем вводят в упомянутую искусственную нейронную сеть значения микротвердости для металлической и керамической фаз без примесей и процентное соотношение упомянутых фаз в получаемом покрытии и при помощи искусственной нейронной сети определяют значение микротвердости получаемого нанокомпозитного покрытия металл-керамика при введенном соотношении металлической и керамической фаз. В частных случаях осуществления изобретения после сравнения полученного теоретического значения микротвердости нанокомпозитного покрытия (Н) с исходными экспериментальными данными проводят корректировку полученной нейросетевой модели. Обеспечивается повышенная износостойкость с одновременным снижением себестоимости покрытия и высокая стабильность определяемых параметров, используемых для нанесения покрытия. 1 з.п. ф-лы, 4 ил.
Description
Изобретение относится к материаловедению и может быть использовано в различных областях современной электроники, альтернативной энергетике, машиностроении и т.д.
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.
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.
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: C23C 14/46, C23C 14/06, B82B 3/00 - прототип).
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.
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.
Искусственные нейронные сети (ИНС) являются мощным и универсальным алгоритмом аппроксимации (см., например, Барский А.Б. Введение в нейронные сети, М.: Интернет-Университет информационных технологий, 2011; Калацкая Л.В., Новиков В.А., 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).
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.
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 получении собственно самого наноструктурного покрытия из гранулированного композита «металл-керамика», применение которого позволит обеспечить повышенную износостойкость и высокую стабильность параметров с одновременным снижением себестоимости.
Решение указанной задачи достигается тем, что в предложенном способе получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины ионно-лучевым распылением, включающим обеспечение в получаемом покрытии необходимого процентного соотношения металлической и керамической фаз при их определенном химическом составе, согласно изобретению, сначала определяют значения микротвердости для металлического и керамического покрытий различного химического состава без примесей керамической или металлической фазы соответственно, затем получают покрытия с заданным химическим составом и заданным процентным соотношением указанных фаз с определенным шагом и с изменением процентного соотношения фаз металл-керамика в покрытии от нуля до максимума, после чего определяют значения микротвердости полученного покрытия при заданном соотношении указанных фаз, затем, на основании полученных данных, создают искусственную нейронную сеть, проводят ее обучение, после чего проводят тестирование полученной нейросетевой модели путем последовательного исключения из статистической выборки, которая использовалась для ее обучения, факторов нейросетевой модели в виде экспериментально измеренных величин, включающих микротвердость металлического покрытия (Нм), микротвердость керамического покрытия (Нк) и концентрацию металлической фазы в композите (Ск) с последующим определением при помощи полученной нейросетовой модели ее выходного параметра в виде значения микротвердости нанокомпозитного покрытия (Н) и сравнением полученного теоретического значения с исходными экспериментальными данными, затем вводят в упомянутую искусственную нейронную сеть значения микротвердости для металлической и керамической фаз без примесей и процентное соотношение упомянутых фаз в получаемом покрытии и при помощи искусственной нейронной сети определяют значение микротвердости получаемого нанокомпозитного покрытия металл-керамика при введенном соотношении металлической и керамической фаз.
В варианте применения способа, после сравнения полученного теоретического значения микротвердости нанокомпозитного покрытия (Н) с исходными экспериментальными данными, проводят корректировку полученной нейросетевой модели.
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.
На всех фигурах показана концентрационная зависимость микротвердости композитов, измеренная методом Кнупа (символы) и полученная с помощью нейросетевой модели (линия).
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).
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.
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.
При помощи искусственной нейронной сети рассчитывали значения микротвердости получаемого нанокомпозитного покрытия металл-керамика при заданном соотношении металлической и керамической фаз, при этом, для формирования отображения Н=fN(Нм,Нк,см), использовали
стандартную структуру многослойного персептрона и формировали персептрон, после чего выход сети рассчитывали по формуле: , при этом в качестве функции активации используют логистическую сигмоиду , где: после чего определяют выходы нейронов первого скрытого слоя следующим образом: , где:, затем входные переменные приводят в диапазон [0;1] согласно минимаксным формулам: x1=0.01⋅cм; х2=0.003636⋅Hм-2.090909; х3=0.00125⋅Нк-0.125, при этом выход сети связывают с искомой величиной Н соотношением: , где - 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; Нk и НM - микротвердость чистой керамической и металлической фазы соответственно, ед. Кнупа; К - энергетический фактор; q - количество нейронов в случае одного скрытого слоя многослойного персептрона; vi - вес нейрона выходного слоя, соответствующий i-му нейрону последнего скрытого слоя; vil - 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; у - 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.
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.
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.
Claims (2)
1. Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины ионно-лучевым распылением, включающий обеспечение в получаемом покрытии необходимого процентного соотношения металлической и керамической фаз при определенном химическом составе указанных фаз, отличающийся тем, что определяют значения микротвердости для металлического и керамического покрытий различного химического состава без примесей керамической или металлической фазы соответственно, затем получают покрытие с заданным химическим составом и заданным процентным соотношением указанных фаз с определенным шагом и с изменением процентного соотношения фаз металл-керамика в покрытии от нуля до максимума, после чего определяют значения микротвердости полученного покрытия при заданном соотношении указанных фаз, затем, на основании полученных данных, создают искусственную нейронную сеть, проводят ее обучение, после чего проводят тестирование полученной нейросетевой модели путем последовательного исключения из статистической выборки, которая использовалась для ее обучения, факторов нейросетевой модели в виде экспериментально измеренных величин, включающих микротвердость металлического покрытия (Нм), микротвердость керамического покрытия (Нк) и концентрацию металлической фазы в композите (Ск) с последующим определением при помощи полученной нейросетовой модели ее выходного параметра в виде значения микротвердости нанокомпозитного покрытия (Н) и сравнением полученного теоретического значения с исходными экспериментальными данными, затем вводят в упомянутую искусственную нейронную сеть значения микротвердости для металлической и керамической фаз без примесей и процентное соотношение упомянутых фаз в получаемом покрытии и при помощи искусственной нейронной сети определяют значение микротвердости получаемого нанокомпозитного покрытия металл-керамика при введенном соотношении металлической и керамической фаз.
2. Способ по п. 1, отличающийся тем, что после сравнения полученного теоретического значения микротвердости нанокомпозитного покрытия (Н) с исходными экспериментальными данными проводят корректировку полученной нейросетевой модели.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014151313A RU2608157C2 (ru) | 2014-12-17 | 2014-12-17 | Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014151313A RU2608157C2 (ru) | 2014-12-17 | 2014-12-17 | Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2014151313A RU2014151313A (ru) | 2016-07-10 |
RU2608157C2 true RU2608157C2 (ru) | 2017-01-16 |
Family
ID=56372561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014151313A RU2608157C2 (ru) | 2014-12-17 | 2014-12-17 | Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2608157C2 (ru) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001062358A (ja) * | 1999-07-31 | 2001-03-13 | Abb Res Ltd | 塗布層の層厚み分布を決定する方法 |
JP2002180295A (ja) * | 2000-12-20 | 2002-06-26 | Fuji Heavy Ind Ltd | 電着塗装解析方法および電着塗装解析装置 |
RU2002134339A (ru) * | 2002-12-20 | 2004-06-10 | Юрий Васильевич Панфилов | Способ определения изностойкости тонкопленочных покрытий с использованием нейросетевого моделирования |
KR20050056177A (ko) * | 2005-05-24 | 2005-06-14 | 부산대학교 산학협력단 | 전기아연도금강판의 코팅층에 대한 기계적 특성 평가 방법 |
RU2515600C2 (ru) * | 2011-11-29 | 2014-05-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" | Способ получения наноструктурного покрытия |
-
2014
- 2014-12-17 RU RU2014151313A patent/RU2608157C2/ru not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001062358A (ja) * | 1999-07-31 | 2001-03-13 | Abb Res Ltd | 塗布層の層厚み分布を決定する方法 |
JP2002180295A (ja) * | 2000-12-20 | 2002-06-26 | Fuji Heavy Ind Ltd | 電着塗装解析方法および電着塗装解析装置 |
RU2002134339A (ru) * | 2002-12-20 | 2004-06-10 | Юрий Васильевич Панфилов | Способ определения изностойкости тонкопленочных покрытий с использованием нейросетевого моделирования |
KR20050056177A (ko) * | 2005-05-24 | 2005-06-14 | 부산대학교 산학협력단 | 전기아연도금강판의 코팅층에 대한 기계적 특성 평가 방법 |
RU2515600C2 (ru) * | 2011-11-29 | 2014-05-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" | Способ получения наноструктурного покрытия |
Also Published As
Publication number | Publication date |
---|---|
RU2014151313A (ru) | 2016-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khorasani et al. | Modeling of TiC-N thin film coating process on drills using particle swarm optimization algorithm | |
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 | |
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 | |
RU2608157C2 (ru) | Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины | |
RU2608156C2 (ru) | Способ получения нанокомпозитного металл-керамического покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины | |
Habashy et al. | A simulated neural system (ANNs) for micro-hardnessof nano-crystalline titanium dioxide | |
Bouzakis et al. | A FEM-based analytical–experimental method for determining strength properties gradation in coatings after micro-blasting | |
Dai et al. | High-throughput screening of optimal process parameters for PVD TiN coatings with best properties through a combination of 3-d quantitative phase-field simulation and hierarchical multi-objective optimization strategy | |
Kotoka et al. | High throughput corrosion screening of Mg-Zn combinatorial material libraries | |
RU2608159C2 (ru) | Способ определения микротвердости нанокомпозитного покрытия с повышенной износостойкостью по соотношению в нем металлической и керамической фаз | |
RU2608158C2 (ru) | Способ получения нанокомпозитных покрытий металл-керамика с требуемым значением микротвердости | |
Jassbi et al. | Car paint thickness control using artificial neural network and regression method | |
Iwasaki | Molecular dynamics study on the effect of lattice mismatch on adhesion strength between organic materials and metals | |
CN117616354A (zh) | 用于制造经涂覆的透明基材的涂覆过程参数的调节方法 | |
Gupta et al. | Time series analysis of forecasting Indian rainfall | |
Jean et al. | Application of an Artificial Neural Network for Simulating Robust Plasma‐Sprayed Zirconia Coatings | |
Mladenović et al. | Artificial neural network for composite hardness modeling of Cu/Si systems fabricated using various electrodeposition parameters | |
Ozdemir et al. | Grain size calculation of Cu-Zn alloys using genetic programming; an alternative for Scherer’s formula | |
H. Karahan et al. | A comparison for grain size calculation of Cu-Zn alloys with genetic programming and neural networks | |
Seputra et al. | Optimation of AMC’s Tensile Properties Using Adaptive Neuro-Fuzzy Inference System (ANFIS) | |
Kwaśny et al. | Modelling of properties of the PVD coatings using neural networks | |
Valyukhov et al. | Use of neutral-network approximation for prediction of the microhardness of nanocomposite coatings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171218 |