Способ получения износостойкого нанокомпозитного покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины

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.

 

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=fNмкм), 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.

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.



 

Похожие патенты:

Изобретение относится к устройствам для исследования и анализа свойств материалов путем определения величины сопротивления их просверливанию и может быть использовано для определения физико-механических характеристик древесины растущих деревьев, пиломатериалов, деревянных строительных конструкций различного назначения.

Изобретение относится к исследованию материалов путем определения их химических или физических свойств, в частности к исследованию прочностных свойств твердых материалов путем приложения к ним механических усилий, а именно путем измерения высоты отскакивания ударного тела.

Изобретение относится к области физики и может быть использовано для исследования и/или анализа материалов путем определения их физических или химических свойств.

Изобретение относится к определению механических характеристик однородных покрытий, а именно к определению модуля упругости покрытий посредством вдавливания в поверхность материала цилиндрического индентора, и может быть использовано для определения модуля упругости покрытий на подложках из различных материалов.

Изобретение относится к технике контроля и исследования материалов и изделий и может быть использовано для определения параметров рельефа поверхности (линейные размеры, шероховатость), механических (твердость, модуль упругости) и трибологических (коэффициент трения, износостойкость, время жизни покрытий) характеристик материалов с субмикронным и нанометровым пространственным разрешением.

Изобретение относится к способам определения механических свойств материалов путем вдавливания индентора в поверхность образца с заданной нагрузкой, а именно к способам определения статического модуля упругости Юнга.

Изобретение относится к технике испытания твердых материалов на микротвердость. .

Изобретение относится к устройствам для исследования или анализа материалов путем определения их твердости и может быть использовано для определения физико-механических характеристик растущих деревьев, пиломатериалов, деревянных строительных конструкций и т.п.

Изобретение относится к технике контроля и исследования материалов и изделий и может быть использовано для определения параметров рельефа поверхности и механических характеристик материалов с субмикронным и нанометровым пространственным разрешением.

Изобретение относится к материаловедению и может быть использовано в различных областях современной электроники, альтернативной энергетике, машиностроении и т.д. Способ получения нанокомпозитного металл-керамического покрытия с заданным значением микротвердости на поверхности полированной ситалловой пластины включает нанесение ионно-лучевым распылением покрытия с необходимым процентным соотношением металлической и керамической фаз, при этом процентное соотношение металлической и керамической фаз 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, микротвердость керамического покрытия, концентрацию металлической фазы в композите и микротвердость нанокомпозитного покрытия 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.

Изобретение относится к технологии ионно-плазменного напыления и может быть использовано для изготовления фильтрующих элементов, применяемых в медицине, а также химической, металлургической и горнодобывающей отраслях промышленности.

Изобретение относится к технологиям нанесения ионно-плазменных и катафорезных покрытий, в частности к способу обработки поверхности металлического изделия, и может быть использовано для защиты от фреттинга осей поворотных лопаток направляющего аппарата из титанового сплава и болтовых соединений из стали.

Изобретение относится к нанослойному покрытию режущего инструмента и способу его нанесения на режущий инструмент. Осуществляют нанесение на поверхность режущего инструмента покрытия, содержащего нанослойную структуру из чередующихся нанослоев А, состоящих из (Al,Ti,W)N, и нанослоев В, состоящих из (Ti,Si,W)N.

Изобретение относится к поршневому кольцу, его применению и способу его изготовления. Поршневое кольцо (1) выполнено с основой (10) и нанесенным на нее защитным покрытием от износа (20), которое имеет, по меньшей мере, первый элемент, точка плавления которого составляет Tm≤700°C.

Способ включает размещение изделия с жаростойким покрытием в камере распыления, заполненной смесью кислорода и инертного газа, нагрев изделия, магнетронное распыление мишени из сплава на основе циркония с образованием керамического слоя и термообработку изделия и отличается тем, что нагрев изделия осуществляют хотя бы частично потоком газоразрядной магнетронной плазмы до температуры 200-800°C и используют мишень из сплава циркония, иттрия, гадолиния и гафния следующего состава, мас.%: иттрий - 6-10, гадолиний - 6-10, гафний 3-7, цирконий - остальное.

Изобретение относится к изделиям, в частности, таким как водопроводные краны, имеющим декоративно-защитное покрытие темного цвета. При этом темный цвет может быть представлен, в частности, черным, темно-бронзовым, иссиня-черным, ярко-синим или серо-голубым цветом.
Изобретение относится к нанесению износостойких покрытий на режущий инструмент, в частности к нанесению покрытий распылением и конденсацией в вакууме на твердосплавный режущий инструмент, и может быть использовано во всех областях машиностроения, связанных с механической обработкой металлов, в том числе обработкой жаропрочных, нержавеющих сталей и титановых сплавов.

Изобретение относится к способам нанесения износостойких покрытий на режущий инструмент и может быть использовано в металлообработке. Наносят нижний слой из нитрида титана.

Изобретение относится к технологии нанесения ионно-плазменных покрытий, в частности к способу получения демпфирующего покрытия на поверхности металлического изделия, и может быть использовано для обработки поверхности металлических изделий из титанового сплава, таких как лопатки компрессора газотурбинных двигателей и установок.

Изобретение может быть использовано в составе порошковых проволок, покрытых электродов и флюсов для сварки и наплавки. Модификатор содержит нанопорошок тугоплавкого соединения, выбранного из группы, включающей карбид, нитрид, оксид, карбонитрид, оксикарбонитрид металла, в качестве инокулятора и протектор.

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, микротвердость керамического покрытия и концентрацию металлической фазы в композите с последующим определением при помощи полученной нейросетовой модели ее выходного параметра в виде значения микротвердости нанокомпозитного покрытия 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 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.

Наверх