Труды КНЦ. Технические науки. – 2026. - № 2

Keywords: reinforcement profile, rolling mill, mathematical model, accelerated cooling, thermal installation, thermal hardening, prediction model, decision tree, new features, normalization and balancing of data, hyperparameter optimization, model evaluation For citation: Solod V. S., Butov O. A. Application of machine learning algorithms in the rolling production of steel rebar // Transactions of the to la Science Centre of RAS. Series: Engineering Sciences. 2026. Vol. 17, No. 2. P. 136-146. doi:10.37614/2949-1215.2026.17.2.013 Введение В современном мире создание цифровых двойников процесса производства становится ключевым элементом повышения эффективности, предсказательного анализа и оптимизации всех этапов жизненного цикла продукции. Это позволяет в реальном времени моделировать, анализировать и управлять производственными процессами, снижая издержки, минимизируя риски и повышая качество выпускаемой продукции. Актуальность задачи предсказательного анализа в прокатном производстве стальной арматуры обусловлена тем, что даже незначительные отклонения в технологических параметрах (таких как температура, скорость прокатки, химический состав или механические свойства) могут привести к возникновению брака, перерасходу ресурсов и незапланированным остановкам оборудования. Поскольку арматура является массовым и ответственным продуктом, применяемым в строительстве и инфраструктурных проектах, особенно важно обеспечить стабильность ее характеристик. Предсказательный анализ позволяет: • выявлять аномалии в параметрах прокатки в режиме реального времени, предотвращая отказы; • прогнозировать механические свойства конечного продукта, пределы текучести и прочности, относительное удлинение [1], основываясь на данных о химическом составе стали, скорости и температуре прокатки; • оптимизировать химические составы сталей [2] и режимы прокатки с целью снижения затрат на водо- и энергоресурсы; • избегать продукции, не соответствующей стандартам [1]. Процесс ускоренного охлаждения проката подвергался подробному исследованию в линии сортовых станов Магнитогорского металлургического комбината [3], Донецкого металлургического завода [4-6], мелкосортном стане 250 завода «Криворожсталь» [7] и др. Ключевой проблемой, возникающей при построении модели формирования механических свойств проката при термическом упрочнении, является большое количество факторов, влияющих на конечные параметры, недостаточно изученный процесс формирования микроструктуры металла и его физико-механических характеристик. Основным фактором является класс прочности арматуры, который определяет время и интенсивность охлаждения, в свою очередь зависящие от массивности профиля, температуры начала охлаждения, химического состава стали. Решению задачи построения математической модели процесса термического упрочнения арматурной стали посвящена работа [8]. Предложен следующий вариант сочетания физических и эмпирических (статистических) компонентов модели [9]: 1. На основании данных решения нестационарного уравнения теплопроводности для цилиндра при граничных условиях, определяемых гидродинамическими параметрами охлаждающей воды [10], строятся кривые изменения температуры во времени для конечного числа элементарных слоев поперечного сечения профиля. 2. С использованием модели изотермических С-диаграмм [11] и принципа аддитивности анализируется процесс превращения при заданных переменных условиях охлаждения в каждом слое. 3. На основании данных о долевом фазовом составе структуре в каждом слое производится определение интегральных долевых характеристик компонент структуры. 4. Исходя из предположения о механических свойствах каждой структурной составляющей, полученных статистической обработкой заводских данных производится вычисление интегральных механических характеристик всего поперечного сечения профиля. Наличие описанной выше модели позволяет осуществить разработку системы для оптимизации процесса термического упрочнения арматурной стали на основе машинного обучения. Процесс обучения,