МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ФІЗИКО-МЕХАНІЧНИХ ВЛАСТИВОСТЕЙ ПІНОПОЛІУРЕТАНІВ НА ОСНОВІ ОБМЕЖЕНИХ ЕКСПЕРИМЕНТАЛЬНИХ ВИБІРОК

Автор(и)

DOI:

https://doi.org/10.20998/2078-9130.2026.1.359701

Ключові слова:

пінополіуретан, математичне моделювання, поліноміальна регресія, оптимізація малих даних, фронт Парето

Анотація

У роботі представлено Data-Driven підхід до проектування рецептур пінополіуретанів (ППУ) на основі концепції математичного моделювання. На відміну від класичних методів машинного навчання, що вимагають тисячі дослідів, запропонована стратегія забезпечує побудову достовірних поліноміальних моделей лише на основі даних 7 цілеспрямованих експериментів. Дослідження сфокусоване на аналізі впливу силіконової добавки на структурно-механічні властивості ППУ: густину, пористість, модуль Юнга та межу текучості. Застосування поліноміальної регресії 4-го ступеня як оптимальної моделі дозволило ідентифікувати критичну концентрацію добавки, що відповідає переходу матеріалу зі стану «жорстка піна» у стан «крихка піна». Виявлено, що концентрація добавки С вище 2,5 мас. ч. ініціює різке зниження пористості з 56,5% до 25,5%. Отримана математична модель може бути використана для багатокритеріальної оптимізації (побудова фронту Парето) з метою досягнення ідеального балансу між питомою масою та жорсткістю матеріалу

Посилання

  1. Ates, M., Karadag, S., Eker, A. A., & Eker, B. (2022). Polyurethane foam materials and their industrial applications. Polymer International, 71, 1157–1163. https://doi.org/10.1002/pi.6441
  2. Akindoyo, J. O., Beg, M. D. H., Ghazali, S., Islam, M. R., Jeyaratnam, N., & Yuvaraj, A. R. (2016). Polyurethane types, synthesis and applications: A review. RSC Advances, 6(115), 114453–114482. https://doi.org/10.1039/C6RA14525F
  3. Baferani, A. H., Keshavarz, R., Asadi, M., & Ohadi, A. R. (2018). Effects of silicone surfactant on the properties of open-cell flexible polyurethane foams. Advanced Polymer Technology, 37, 71–83. https://doi.org/10.1002/adv.21643
  4. Balachandran, P. V., Xue, D., Theiler, J., Hogden, J., & Lookman, T. (2016). Adaptive strategies for materials design using uncertainties. Scientific Reports, 6, 19660. https://doi.org/10.1038/srep19660
  5. Chong, S. S., Ng, Y. S., Wang, H. Q., et al. (2024). Advances of machine learning in materials science: Ideas and techniques. Frontiers of Physics, 19, 13501. https://doi.org/10.1007/s11467-023-1325-z
  6. Dong, H., Li, S., Jia, Z., Luo, Y., Chen, Y., Jiang, J., & Ji, S. (2024). A review of polyurethane foams for multi-functional and high-performance applications. Polymers, 16, 3182. https://doi.org/10.3390/polym16223182
  7. Etemad, S., Kantzas, A., & Bryant, S. (2022). A systematic analysis of foam drainage: Experiment and model. Results in Engineering, 15, 100551. https://doi.org/10.1016/j.rineng.2022.100551
  8. Gama, N. V., Ferreira, A., & Barros-Timmons, A. (2018). Polyurethane foams: Past, present, and future. Materials, 11(10), 1841. https://doi.org/10.3390/ma11101841
  9. Liu, L., Li, Z., Kang, H., Xiao, Y., Sun, L., Zhao, H., Zhu, Z. Q., & Ma, Y. (2025). Review of surrogate model assisted multi-objective design optimization of electrical machines: New opportunities and challenges. Renewable and Sustainable Energy Reviews, 215, 115609. https://doi.org/10.1016/j.rser.2025.115609
  10. Mikulich, O., Hulay, O., Furs, T., & Shemet, V. (2024). Strength and mechanical characteristics of modified polyurethane foams. Procedia Structural Integrity, 59, 460–465. https://doi.org/10.1016/j.prostr.2024.04.065
  11. Mueller, T., Kusne, A. G., & Ramprasad, R. (2016). Machine learning in materials science: Recent progress and emerging applications. Reviews in Computational Chemistry, 29, 186–273. https://doi.org/10.1002/9781119148739.ch4
  12. Schleder, G. R., Padilha, A. C., Acosta, C. M., Costa, M., & Fazzio, A. (2019). From DFT to machine learning: Recent approaches to materials science—A review. Journal of Physics: Materials, 2(3), 032001. https://doi.org/10.1088/2515-7639/ab084b
  13. Wang, Z., Wang, C., Gao, Y., Li, Z., Shang, Y., & Li, H. (2023). Porous thermal insulation polyurethane foam materials. Polymers, 15(18), 3818. https://doi.org/10.3390/polym15183818
  14. Wu, H., Shu, Y., & Liu, Y. (2017). Engineering performance of polyurethane bonded aggregates. Materials Science, 23(2), 166–172. https://doi.org/10.5755/j01.ms.23.2.15798
  15. Zhang, C., Tong, X., Deng, C., et al. (2020). The foaming dynamic characteristics of polyurethane foam. Journal of Cellular Plastics, 56(3), 279–295. https://doi.org/10.1177/0021955X19864374
  16. Zivic, F., Kaplarevic Malisic, A., Grujovic, N., Stojanovic, B., & Ivanovic, M. (2025). Materials informatics: A review of AI and machine learning tools, platforms, data repositories, and applications to architectured porous materials. Materials Today Communications, 48, 113525. https://doi.org/10.1016/j.mtcomm.2025.113525

##submission.downloads##

Опубліковано

2026-05-29

Як цитувати

Фурс, Т., Мікуліч, О., & Приходько, О. (2026). МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ФІЗИКО-МЕХАНІЧНИХ ВЛАСТИВОСТЕЙ ПІНОПОЛІУРЕТАНІВ НА ОСНОВІ ОБМЕЖЕНИХ ЕКСПЕРИМЕНТАЛЬНИХ ВИБІРОК. Вісник Національного технічного університету «ХПІ». Серія: Динамiка та мiцнiсть машин, (1), 79–83. https://doi.org/10.20998/2078-9130.2026.1.359701

Номер

№ 1 (2026): Вісник НТУ "ХПІ". Серія: "Динаміка та міцність машин"

Розділ

Статті

Ліцензія

Авторське право (c) 2026 Тетяна Фурс, Олена Мікуліч, Олексій Приходько

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.