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

Предложенная архитектура обработки несбалансированных, неоднородных и крайне ограниченных данных дала возможность прогнозирования с высокой точностью, а с учетом высокой скорости обработки финальной модели предсказания (до 2 с) и при значительном увеличении эмпирически собранных (статистических на производстве) данных она дает возможность в будущем непосредственно использовать ее в технологическом процессе и создании цифрового двойника проката арматуры. Так как временные затраты существующей программы прямого расчета по физико-математической модели [8] достаточно малы (3 -5 с), то решением задачи оптимизации технологии ускоренного охлаждения может быть прямой расчет по физико-математической модели с алгоритмом оптимизации, учитывающим все ограничения с выводом на монитор оператора существенных параметров эффективности технологии. В этом случае результаты данной работы могут применяться в качестве начального приближения. Список источников 1. ГОСТ 10884-94. Сталь арматурная термомеханически упрочненная для железобетонных конструкций. М.: Стандартинформ, 2009. 14 с. 2. Оптимизация химического состава стали, технологии прокатки и термообработки для обеспечения механических свойств проката в узком диапазоне значений / А. Н. Савьюк [и др.] // Труды 5-го конгресса прокатчиков. М., 2004. С. 200-205. 3. Тахаутдинов Р. С. Производство термомеханически упрочненной арматуры на мелкосортном стане 250-1 Магнитогорского металлургического комбината // Черная металлургия. Бюлл. НТИ. 2003. № 12. С. 47-49. 4. Минаев А. А., Смирнов Е. Н. Особенности пульсирующего течения хладагента в камерах устройств ускоренного охлаждения // Известия вузов. Черная металлургия. 1988. № 11. С. 156-157. 5. Минаев А. А., Бердичевский Ю. Е., Бублик П. Ф. Показатель эффективности устройств для охлаждения движущегося проката // Известия вузов. Черная металлургия. 1985. № 6. С. 154-155. 6. Минаев А. А., Онищенко С. А., Гребельный А. В. Разработка методики расчета теплообмена в устройстве для регулируемого охлаждения в потоке прокатного стана // Теплофизика технологических процессов: тез. докл. VI Всесоюз. конф. Ташкент, 1984. Ч. 3. С. 2. 7. Исследование служебных характеристик установки для термического упрочнения арматурной стали в потоке стана 250-5 завода «Криворожсталь» / Ю. Т. Худик [и др.] // Термическая обработка металлов. Вып. 8. М., 1979. С. 65-66. 8. Солод В. С. Физико-математическая модель для разработки экспертной системы ускоренного охлаждения арматурного проката // Проблемы искусственного интеллекта. 2025. № 2 (37). С. 44-58. DOI:10.24412/2413- 7383-2024-3-20-28 9. Губинский В. И., Рыбалов А. А. Моделирование ускоренного охлаждения арматурного проката в потоке непрерывных мелкосортных станов // Промышленная теплотехника. 2002. Т. 24, № 6. С. 24-28. 10. Губинский В. И., Минаев А. Н., Гончаров Ю. В. Уменьшение окалинообразования при производстве проката Киев: Техника, 1981. 135 с. 11. Atlas of isothermal transformation diagrams. United States Steel Corporation. 1951. URL: https://dn720705.ca.archive.org/0/items/atlas_of_isothermal_transformation_diagrams/atlas_of_isothermal_transf ormation_diagrams_big_text.pdf (accessed 03.07.2025). 12. Florek P., Zagdanski A. Benchmarking state-of-the-art gradient boosting algorithms for classification // arXiv:2305.17094. URL: https://arxiv.org/abs/2305.17094 (accessed 03.07.2025). 13. Zhang Y, Liu J, Shen W. A Review of Ensemble Learning Algorithms Used in Remote Sensing Applications // Appl. Sci. 2022. Ш . 12 (17). Р. 8654. https://doi.org/10.3390/app12178654 14. Zhi-HuaZhou. Ensemble Methods. 1stEd. New York: ChapmanandHall/CRC, 2012. 236 р. https://doi.org/10.1201/b12207 15. Tree-Based Machine Learning Models with Optuna in Predicting Impedance Values for Circuit Analysis / J.-P. Lai [et al.] // Micromachines. 2023. Ш . 14 (2). Р. 265. https://doi.org/10.3390/mi14020265 16. Седухин О. CatBoost, XGBoost и выразительная способность решающих деревьев // habr.com: [сайт]. URL: https://habr.com/ru/companies/ods/articles/645887/ (дата обращения: 03.07.2025). 17. Обучение математических моделей алгоритмом Деревьев решений (Decision Trees) методами регрессии и классификации // AQT (Advanced Quality Tools) Центр передовых инструментов управления качеством: [сайт]. URL: https://advanced-quality-tools.ru/python-machine_learning_decision_trees.html (дата обращения: 04.05.2025). 18. Shakhomirov M. Modern data engineering. Tools and best practices for specific platforms // Towards Data Science: [website]. URL: https://towardsdatascience.com/modern-data-engineering-e202776fb9a9 (accessed 05.04.2025).