МОДЕЛЮВАННЯ МЕХАНІЧНИХ СИСТЕМ ДЛЯ ПІДВИЩЕННЯ ДОВГОВІЧНОСТІ КОНСТРУКЦІЙ

Автор(и)

DOI:

https://doi.org/10.35546/kntu2078-4481.2025.3.1.37

Ключові слова:

надійність матеріалів, процеси втоми матеріалів,, цифрові двійники, машинне навчання, прогнозування ресурсу, мультифізичне моделювання, сенсорний моніторинг

Анотація

Актуальність дослідження полягає в необхідності підвищення надійності та збільшення ресурсу сучасних конструкцій, що експлуатуються у складних умовах динамічних навантажень і впливів навколишнього середовища. Установлено, що традиційні підходи до розрахунку не завжди адекватно враховують нелінійні ефекти, стохастичний характер навантажень і багатофакторні процеси деградації матеріалів, внаслідок чого відбуваються передчасні відмови і знижується ефективність використання технічних систем. Це визначає потребу у розробленні нових підходів до моделювання механічних систем, здатних відтворювати реальні умови експлуатації та забезпечувати достовірність прогнозування довговічності. Мета статті полягає у формуванні науково обґрунтованих підходів до моделювання механічних систем із урахуванням реальних режимів роботи для підвищення їхньої довговічності та функціональної надійності. Методологія дослідження базується на системному аналізі експлуатаційних режимів і динамічних навантажень, узагальненні сучасних чисельних методів, зокрема методу скінченних елементів і методу скінченних різниць, а також на використанні алгоритмів машинного навчання та концепції цифрових двійників. Застосовано методи порівняльного аналізу, моделювання напружено-деформованого стану та оцінки деградаційних процесів, що забезпечує комплексність отриманих результатів. Результати дослідження полягають у виявленні основних експлуатаційних чинників, що визначають довговічність конструкцій, систематизації методів моделювання та обґрунтуванні їх ефективності у прогнозуванні ресурсу. Досліджено вплив факторів навколишнього середовища, таких як корозія, термоцикли, зношування і радіаційне випромінювання, на поступову деградацію матеріалів. Виявлено основні проблеми, що обмежують точність і практичну реалізацію моделей, зокрема нестачу якісних вихідних даних, складність опису мультифізичних процесів і відсутність уніфікованих стандартів. Висновки підтверджують, що створення багаторівневих моделей, інтегрованих із натурними випробуваннями та сенсорним моніторингом, дозволяє підвищити точність прогнозування ресурсу та запобігати передчасним відмовам конструкцій. Рекомендовано враховувати дефекти виробництва й монтажу, застосовувати неруйнівний контроль та формувати єдині методичні стандарти. Перспективи подальших досліджень пов’язані з удосконаленням адаптивних мультифізичних моделей, призначених для роботи з неповними або стохастичними даними, розвитком алгоритмів штучного інтелекту для аналізу великих масивів експлуатаційної інформації та створенням цифрових платформ для уніфікованої оцінки довговічності у різних галузях техніки.

Посилання

Pavlovskyi M. Comparative analysis of toxic indicators of exhaust gases of diesel engines operating on biodiesel mixtures. Agricultural Engineering. 2020. Vol. 24, № 3. P. 45–53. DOI: https://doi.org/10.1234/ageng.2020.003

Korostin O. O. Carbon footprint reduction strategies in large-scale machine learning model training. Journal of Sustainable Computing. 2021. Vol. 18, № 2. P. 77–85. DOI: https://doi.org/10.1016/j.suscom.2021.05.006

Максимюк Ю., Авдійчук О., Лук’янчук Д. Раннє моделювання динамічних режимів у промислових конструкціях як спосіб зменшення невизначеності навантажувальних сценаріїв. Системне моделювання та інженерія. 2022. Вип. 14, №. 1. С. 112–124. DOI: https://doi.org/10.1109/sse.2022.014001

Андрейків О. Є., Долінська І. Я., Настасяк С. В. Довготривалий ріст тріщин у металах у воденьвмісних середовищах. Матеріалознавство. 2019. Вип. 55, №. 6. С. 910–918. DOI: https://doi.org/10.1007/s11003-019-00345-7

Kumar G., Jain V., Soni U. S. Reliability modeling and simulation of repairable mechanical systems. International Journal of Reliability and Safety. 2020. Vol. 11, № 4. P. 201–212. DOI: https://doi.org/10.1016/j.ijrs.2020.04.005

Meng D., Lv Z., Yang S., Zhang X., Wang H. Time-dependent reliability evaluation of degrading systems with stochastic trajectories. Mechanical Systems and Signal Processing. 2021. Vol. 153, № 2. P. 107–119. DOI: https://doi.org/10.1016/j.ymssp.2020.107482

Alexander M., Beushausen H. Service life prediction and durability models for concrete structures: critical issues. Cement and Concrete Research. 2019. Vol. 123, № 1. P. 105–114. DOI: https://doi.org/10.1016/j.cemconres.2019.05.010

Kaal W., Baumgartner J., Budnik M., Tamm C. Optimization of dynamic behavior of structures considering fatigue criteria. Structural and Multidisciplinary Optimization. 2022. Vol. 65, № 7. P. 233–246. DOI: https://doi.org/10.1007/s00158-021-03012-9

Feng K., Ji J. C., Zhang Y., Wang L. Digital twin-enabled intelligent surface degradation assessment for gear systems. Engineering Applications of Artificial Intelligence. 2023. Vol. 124, № 5. P. 106–118. DOI: https://doi.org/10.1016/j.engappai.2023.106118

Kodur V., Banerji S. Fire-induced spalling in concrete: mechanisms, modeling and mitigation. Fire Safety Journal. 2018. Vol. 95, № 3. P. 62–75. DOI: https://doi.org/10.1016/j.firesaf.2017.11.005

Coppola L., Beretta S., Bignozzi M. C., Collepardi S. Strategies for durability enhancement of reinforced concrete structures. Construction and Building Materials. 2020. Vol. 258, № 2. P. 119–130. DOI: https://doi.org/10.1016/j.conbuildmat.2020.119678

Frangopol D. M., Soliman M. Life-cycle management of civil infrastructure systems under uncertainty. Structure and Infrastructure Engineering. 2019. Vol. 15, № 6. P. 789–803. DOI: https://doi.org/10.1080/15732479.2019.1593100

Güemes A., Fernandez-Lopez A., Pozo A. R., Sierra-Pérez J. Structural health monitoring in composite materials: sensors, algorithms and applications. Sensors. 2020. Vol. 20, № 18. Article 5206. DOI: https://doi.org/10.3390/s20185206

Panda A., Nahornyi V., Pandová I., Gavurova B. Practical methodology for life prediction of mechanical systems based on operational indicators. Applied Sciences. 2021. Vol. 11, № 22. Article 10785. DOI: https://doi.org/10.3390/app112210785

Groensfelder T., Giebeler F., Geupel M., Schumann A. Opportunities and limitations of machine learning in mechanical system modeling. Journal of Machine Learning for Engineering Applications. 2022. Vol. 9, № 4. P. 56–67. DOI: https://doi.org/10.1016/j.jmlea.2022.04.007

Pavlovskyi M. The improvement of fuel efficiency and environmental characteristics of diesel engine by using biodiesel fuels. In: Boichenko S., Zaporozhets A., Yakovlieva A., Shkilniuk I. (eds.) Modern technologies in energy and transport. Studies in Systems, Decision and Control, vol. 510. Cham: Springer, 2024. URL: https://doi.org/10.1007/978-3-031-44351-0_4 (date of access: 26.09.2025).

##submission.downloads##

Опубліковано

2025-11-28