Комп’ютерне моделювання експериментальних даних при стиковому зварюванні армуючих профілів

Abstract

У статті представлено результати математичного та комп’ютерного моделювання процесу стикового зварювання оцинкованих сталевих штаб, з яких формували армувальні профілі, що використовуються у виробництві металопластикових вікон. Актуальність дослідження зумовлена необхідністю підвищення якості з’єднань та стабільності виробничих процесів у галузі віконного виробництва. Основною метою роботи є побудова моделей, здатних з високою точністю прогнозувати міцність профілю у місті зварного з’єднання на основі ключових параметрів зварювання. Для аналізу експериментальних даних застосовано сучасні методи Data Science, серед яких регресійний аналіз, логістичне моделювання, а також алгоритми машинного навчання. Збір, опрацювання та візуалізація даних здійснювались із використанням бібліотек Python (Pandas, Scikit-learn, Seaborn). Побудовано кілька варіантів регресійних моделей, серед яких поліноміальні моделі другого та четвертого ступенів виявилися найбільш ефективними. Модель четвертого ступеня продемонструвала найкращі результати за критеріями точності та достовірності, що вказує на наявність складної нелінійної залежності між силою зварювального струму, часом нагріву, товщиною штрипсу та отриманим коефіцієнтом міцності з’єднання. Отримані результати можуть бути використані для розроблення рекомендацій щодо вдосконалення режимів стикового зварювання в умовах серійного виробництва. Висновки засвідчують ефективність використання поєднання методів лінійного, поліноміального та множинного регресійного аналізу для вирішення задачі прогнозування якості зварного з’єднання. Запропонований підхід є ефективним інструментом для цифрової оптимізації технологічних процесів та може бути інтегрований у системи промислового контролю якості та автоматизації виробництва.

The study investigates mathematical and computer-based modeling of butt welding of galvanized steel strips employed in the fabrication of reinforcing profiles for window frame systems. The motivation of the research lies in the necessity to improve weld quality and stabilize production processes in industrial window manufacturing. The primary aim is to establish predictive models capable of accurately estimating the structural strength of welded profiles from critical welding parameters. Experimental datasets were processed and analyzed through state-of-the-art Data Science techniques, including regression analysis, logistic modeling, and machine learning. Python-based libraries (Pandas, Scikit-learn, Seaborn) were utilized for data preprocessing, cleaning, and visualization. Several regression models were proposed, with polynomial models of the second and fourth degree yielding the most adequate representation of the process. In particular, the fourth-degree model demonstrated superior predictive capability, confirming a complex nonlinear dependency between welding current, heating time, strip thickness, and weld strength coefficient. The results highlight the effectiveness of integrating regression-based methods and machine learning into digital manufacturing frameworks, enabling optimization of butt-welding regimes and providing valuable tools for industrial quality control and automated production systems.