Разработка математической модели прогнозирования физико-механических свойств резин при введении комплексного активатора вулканизации

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Разработано математическое описание для прогнозирования физико-механических свойств серных вулканизатов диеновых каучуков, полученных в присутствии комплексных активаторов вулканизации. В качестве входных параметров выбраны концентрации компонентов комплексного активатора вулканизации, а также технологические режимы его получения. На основе выборки объемом более 800 экспериментов установлены зависимости изменения модулей и условной прочности при растяжении, относительного удлинения при разрыве от соотношения компонентов активатора, температуры и продолжительности его синтеза и проведена статистическая обработка данных, в том числе по статистическим тестам Шапиро–Уилка. С использованием аппарата нейронных сетей синтезирована математическая модель влияния состава активатора вулканизации и условий его синтеза на физико-механические показатели вулканизатов. Обучение нейронной сети осуществлено с использованием выборки, содержащей 784 эксперимента, оценка качества аппроксимации проведена на контрольной выборке из 76 экспериментов. Полученные значения относительной ошибки определения условной прочности и относительного удлинения расчетным методом составили ~ 6%. Приведено графическое представление результатов имитационного моделирования.

Full Text

Restricted Access

About the authors

С. Г. Тихомиров

Воронежский государственный университет инженерных технологий

Email: karolga@mail.ru
Russian Federation, Воронеж

О. В. Карманова

Воронежский государственный университет инженерных технологий

Author for correspondence.
Email: karolga@mail.ru
Russian Federation, Воронеж

М. Е. Семенов

Воронежский государственный университет

Email: karolga@mail.ru
Russian Federation, Воронеж

Д. А. Полуэктов

Воронежский государственный университет

Email: karolga@mail.ru
Russian Federation, Воронеж

А. А. Голякевич

Воронежский государственный университет инженерных технологий

Email: karolga@mail.ru
Russian Federation, Воронеж

References

  1. Шершнев В.А. Развитие представлений о роли активаторов серной вулканизации углеводородных эластомеров. Часть 1 // Каучук и резина. 2012. № 1. С. 31.
  2. Карманова О.В., Калмыков В.В. Особенности формирования структуры вулканизатов // Конденсированные среды и межфазные границы. 2006. Т. 8. № 2. С. 112.
  3. Ghosh P. Sulfur vulcanization of natural rubber for benzothiazole accelerated formulations: from reaction mechanisms to a rational kinetic model // Rubber Chem. Technol. 2003. V. 76. P. 592.
  4. Кафаров В. В., Дорохов И.Н., Дранишников Л.В. Системный анализ процессов химической технологии: Процессы полимеризации. М.: Наука, 1991.
  5. Писаренко Е.В. Метод оценки констант нелинейных кинетических моделей многостадийных химических реакций // Программные продукты и системы. 2011. № 4. С. 163.
  6. Кафаров В.В., Дорохов И.Н., Ветохин В.Н., Волков Л.П. Анализ физико-химических свойств элементов третьей группы Периодической системы Д.И. Менделеева // Докл. АН СССР. 1991. Т. 320, № 6. С. 1400.
  7. Гордеев Л.С., Кафаров В.В., Бояринов А.И. Оптимизация процессов химической технологии: учеб. Пособие. М.: МХТИ им. Д.И. Менделеева, 1972.
  8. Кафаров В.В., Дорохов И.И. Системный анализ процессов химической технологии. Основы стратегии. М.: Наука, 1976.
  9. Баженов В.И., Говоров А.А., Кафаров В.В., Мешалкин В.П. и др. Алгоритмы анализа и оптимизации автоматических систем регулирования с расширенными функциональными возможностями для химико-технологических процессов // Теорет. основы хим. технологии. Т.26. № 4. 1992. С. 562.
  10. Ziyatdinov N.N. Modeling and Optimization of Chemical Engineering Processes and Systems // Theor. Found. Chem. Eng. 2017. V. 51. № 6. P. 889. [Зиятдинов Н.Н. Моделирование и оптимизация химико-технологических процессов и систем // Теорет. основы хим. технологии. 2017. Т.51. № 6. С. 613.]
  11. Гусак Ю. В. и др. Малоранговое представление нейронных сетей // Журнал вычислительной математики и математической физики. 2021. Т. 61. № 5. С. 800.
  12. Матвеев С.А. и др. Обзор методов визуализации искусственных нейронных сетей // Журнал вычислительной математики и математической физики. 2021. Т. 61. № 5. С. 896.
  13. Sosnovik I., Oseledets I. Neural networks for topology optimization // Russian Journal of Numerical Analysis and Mathematical Modelling. 2019. Т. 34. №. 4. С. 215.
  14. Dvurechensky P., Gasnikov A. Stochastic intermediate gradient method for convex problems with stochastic inexact oracle //Journal of Optimization Theory and Applications. 2016. Т. 171. С. 121.
  15. Rogozin A. et al. Decentralized convex optimization over time-varying graphs: a survey // arXiv preprint arXiv: 2210.09719. 2022.
  16. Pogodaev A.K., Tikhomirov, S.G., Karmanova, O.V. et al. Modeling elastomer properties in presence of a composite vulcanization activator. Journal of Chemical Technology and Metallurgy. 2018. V. 53. № 5. P. 807–815.
  17. Tikhomirov S.G., Karmanova O.V., Bityukov V.K. [et al.] Study and Modeling of Polymer Degradation in Bulk // Theor. Found. Chem. Eng. 2018. V. 52. № 1. P. 78. [Тихомиров С.Г., Карманова О.В., Битюков В.К. и др. Исследование и моделирование процесса деструкции полимера в массе // Теорет. основы хим. технологии. 2018 Т. 52. № 4. С. 83.]
  18. Бурнаев Е.В. и др. Фундаментальные исследования и разработки в области прикладного искусственного интеллекта // Доклады РАН. Математика, информатика, процессы управления. 2022. Т. 508. № 1. С. 19.
  19. Tikhomirov S.G., Khaustov I.A., Bitukov V.K., Karmanova O.V. Polymer Degradation in a Solution: Monitoring and Predicting Quality Parameters / Theor. Found. Chem. Eng. – 2018. – Vol. 52. № 4. P. 568. [Тихомиров С.Г., Хаустов И.А., Битюков В.К., Карманова О.В и др. Контроль и прогнозирование параметров качества полимеров в процессе их деструкции в растворе // Теорет. основы хим. технологии. 2018. Т. 52. № 4. С. 466.]
  20. Экологические аспекты модификации ингредиентов и технологии производства шин / под науч. ред. проф. А. А. Мухутдинова. Казань: Изд-во “Фэн”, 1999.
  21. Tahon J.M.F.C. et al. Rubber composition containing pre-hydrophobated silica with zinc salt fatty acid processing aid and tire with tread : pat. 9556331 USA, 2017.
  22. Pajarito B.B. et al. Effect of Replacing Carbon Black with Organo-Modified Bentonite and Acid-Activated Zeolite on Vulcanization Characteristics of Natural Rubber Tire Tread // Materials Science Forum. Trans Tech Publications. 2017. V. 890. P. 59.
  23. Alam M.N., Potiyaraj P. Synthesis of nano zinc hydroxide via sol–gel method on silica surface and its potential application in the reduction of cure activator level in the vulcanization of natural rubber. Journal of Sol-Gel Science and Technology. 2017. V. 81. № 3. P. 903.
  24. Gujel A.A. et al. Evaluation of vulcanization nanoactivators with low zinc content: characterization of zinc oxides, cure, physico‐mechanical properties, Zn 2+ release in water and cytotoxic effect of EPDM compositions. Polymer Engineering & Science. 2018. V. 58. № 10. P. 1800.
  25. Le Q.V. et al. Learning hierarchical invariant spatio-temporal features for action recognition with independent subspace analysis // CVPR 2011. IEEE, 2011. С. 3361.
  26. Maas A. et al. Learning word vectors for sentiment analysis // Proceedings of the 49th annual meeting of the association for computational linguistics: Human language technologies. 2011. С. 142.
  27. Coates A., Ng A., Lee H. An analysis of single-layer networks in unsupervised feature learning // Proceedings of the fourteenth international conference on artificial intelligence and statistics. – JMLR Workshop and Conference Proceedings. 2011. С. 215.
  28. Diederik P. Kingma, Jimmy Lei Ba. Adam: A Method for Stochastic Optimization https://doi.org/10.48550/arXiv.1412.6980.
  29. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition / https://doi.org/10.48550/arXiv.1512.03385.
  30. Ngiam J. et al. Tiled convolutional neural networks //Advances in neural information processing systems. 2010. Т. 23.
  31. Antipina E. V., Antipin A. F., Mustafina S. A. Search for the Optimal Regime Parameters of a Catalytic Process Based on Evolutionary Computations // Theor. Found. Chem. Eng. 2022. V. 56, №. 2. P. 16. [Антипина Е.В., Мустафина С.А., Антипин А.Ф. Поиск оптимальных режимных параметров каталитического процесса на основе эволюционных вычислений // Теорет. основы хим. технологии. 2022. Т. 56. № 2. С. 158–166.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig. 1. Distribution of experimental data by values ​​of conventional stress at 300% elongation (a), conventional tensile strength (b), relative elongation at break (c).

Download (44KB)
3. Fig. 2. Matrix of pairwise correlations.

Download (19KB)
4. Fig. 3. Neural network architecture.

Download (4KB)
5. Fig. 4. Hidden layers block.

Download (5KB)
6. Fig. 5. Dependence of the conditional stress at 300% elongation on the concentration of zinc oxide and stearic acid.

Download (26KB)
7. Fig. 6. Dependence of conventional tensile strength on the concentration of zinc oxide and stearic acid.

Download (25KB)
8. Fig. 7. Dependence of relative elongation at break on the concentration of zinc oxide and stearic acid.

Download (20KB)
9. Fig. 8. Dependence of the conditional stress at 300% elongation on the concentration of zinc oxide and temperature.

Download (29KB)

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».