Разработка прогностических моделей для эластомерных материалов на основе методов машинного обучения и анализ влияния компонентов рецептуры
(Стр. 25-33)

В статье рассматривается подход к построению прогностических моделей физико-механических свойств эластомерных композиций на основе методов машинного обучения. Актуальность исследования продиктована потребностью в интенсификации процессов разработки новых материалов и минимизации трудоемкости натурного эксперимента. Предложен алгоритм автоматизированного машинного обучения, включающий этапы унификации исходных данных, формирования признакового пространства и сравнительного анализа регрессионных моделей (Random Forest, Gradient Boosted Decision Trees, Gradient Tree-Boosting Tweedie, Poisson Regression, Light Gradient Boosting Machine и Stochastic Dual Coordinate Ascent). В ходе экспериментальной апробации на выборках, содержащих данные о рецептурах с варьированием содержания серы, каучука НК и оксида цинка, выполнено прогнозирование теоретической плотности, пластичности по Карреру, температурного предела хрупкости и температуры вулканизации. Установлено, что ансамблевые методы демонстрируют наибольшую предсказательную способность, однако точность моделей существенно зависит от репрезентативности выборки. Выявлены интервалы значений исследуемых параметров (в частности, диапазон 140–150 °C для температуры вулканизации), характеризующиеся повышенной неопределенностью прогноза и требующие дополнительной калибровки алгоритмов. Полученные результаты подтверждают эффективность предложенного подхода для оптимизации рецептур и идентификации скрытых зависимостей в системе «состав – свойство».

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Маслова М.А., Каблов В.Ф., Рыбанов А.А. Разработка прогностических моделей для эластомерных материалов на основе методов машинного обучения и анализ влияния компонентов рецептуры // Computational Nanotechnology. 2026. Т. 13. № 2. С. 25-33. DOI: 10.33693/2313-223X-2026-13-2-25-33. EDN: ZWDLGN

Абгарян К.К., Загордан Н.Л., Мочалова Ю.Д. Применение методов машинного обучения для анализа упругих характеристик многослойных композиционных материалов // Математические методы распознавания образов: тезисы докладов 21-й Всерос. конф. с междунар. участием. М., 2023. С. 224–226. EDN: KOHJRD.
Каблов В.Ф., Рыбанов А.А., Маслова М.А. Эволюция информационных систем управления рецептурами резиновых смесей: от баз данных к интеллектуальным хранилищам с интеграцией модулей искусственного интеллекта // Каучук и резина-2025: Традиции и новации: матер. XIII Всерос. конф. М., 2025. С. 23–24. EDN: LWBVSC.
Кольцов В.Б., Потемкин А.Я., Коноплин Н.А. и др. Физико-химическое моделирование технологических процессов – современный путь создания новых ресурсосберегающих технологий // Природообустройство. 2010. № 3. С. 98–102. EDN: MUQAXN.
Маслова М.А. Программно-информационная система для управления справочной базой по ингредиентам и свойствам рецептур эластомерных материалов // Сборник материалов XXIX Региональной конференции молодых ученых и исследователей Волгоградской области (Волгоград, 16 сентября – 15 ноября 2024 г.) / отв. ред. С.В. Кузьмин. Волгоград, 2024. С. 121–122. EDN: DBRQRE.
Eleas A.K., Aboudi E.H. Expectation parameters in the Poisson mixture regression model for latent class by applying genetic algorithm and maximization algorithm // Journal of Economics and Administrative Sciences (JEAS). 2024. Vol. 30. No. 140. Pp. 434–449. DOI: 10.33095/xammnc51.
Guolin Ke, Qi Meng, Finley T. et al. LightGBM: A highly efficient gradient boosting decision tree // 31st Conference on Neural Information Processing Systems (NIPS 2017). Long Beach, CA, USA, 2017. Pp. 3149–3157.
Xueheng Qiu, Le Zhang, Suganthan P.N., Amaratunga G.A. Oblique random forest ensemble via Least Square Estimation for time series forecasting // Information Sciences. 2017. Vol. 420. Pp. 249–262. DOI: 10.1016/j.ins.2017.08.060.
Shai Shalev-Shwartz, Tong Zhang. Stochastic dual coordinate ascent methods for regularized loss minimization // Journal of Machine Learning Research. 2013. Vol. 14. No. 1. Pp. 567–599. DOI: 10.5555/2567709.2502598.
Yi Yang, Wei Qian, Hui Zou. Insurance premium prediction via gradient tree-boosted Tweedie compound Poisson models // Journal of Business & Economic Statistics, 2018. Vol. 36. Issue 3. Pp. 456–470. DOI: 10.1080/07350015.2016.1200981.
Feng Zhou, Qunzhi Zhang, Sornette D., Liu Jiang. Cascading logistic regression onto gradient boosted decision trees for forecasting and trading stock indices // Applied Soft Computing. 2019. Vol. 84. Art. 105747. DOI: 10.1016/j.asoc.2019.105747.

машинное обучение, прогнозирование свойств материалов, эластомерные материалы, информационная модель, материаловедение.