blackmetИзвестия высших учебных заведений. Черная МеталлургияIzvestiya. Ferrous Metallurgy0368-07972410-2091National University of Science and Technology "MISIS"10.17073/0368-0797-2025-3-305-315blackmet-2915Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И АВТОМАТИЗАЦИЯ В ЧЕРНОЙ МЕТАЛЛУРГИИINFORMATION TECHNOLOGIES AND AUTOMATIC CONTROL IN FERROUS METALLURGYO возможных последствиях, вызванных уменьшением количества образцов при приемо-сдаточных испытаниях единицы металлопродукции для оценки ее качестваPossible consequences caused by reducing the number of samples during acceptance tests of a unit of metal products to assess its qualityhttps://orcid.org/0000-0001-9381-9223СоколовскаяЭ. А.SokolovskayaE. A.

Элина Александровна Соколовская, к.т.н., ученый секретарь Совета УМО по образованию в области металлургии, доцент кафедры металловедения и физики прочности

Россия, 119049, Москва, Ленинский пр., 4

Elina A. Sokolovskaya, Cand. Sci. (Eng.), Scientific Secretary of the UMO Council for Education in Metallurgy, Assist. Prof. of the Chair “Metallography and Physics of Strength”

4 Leninskii Ave., Moscow 119049, Russian Federation

sokolovskaya@misis.ruhttps://orcid.org/0009-0001-5225-6070БосовЕ. В.BosovE. V.

Егор Владимирович Босов, аналитик подразделения Офиса управления проектами

Россия, 119049, Москва, Ленинский пр., 4

Egor V. Bosov, Analyst of the Project Management Office

4 Leninskii Ave., Moscow 119049, Russian Federation

bosov.e@misis.ruКудряА. В.KudryaA. V.

Александр Викторович Кудря, д.т.н., профессор кафедры металловедения и физики прочности

Россия, 119049, Москва, Ленинский пр., 4

Aleksandr V. Kudrya, Dr. Sci. (Eng.), Prof. of the Chair “Metallography and Physics of Strength”

4 Leninskii Ave., Moscow 119049, Russian Federation

https://orcid.org/0009-0003-5380-5558КодировД. Ф.KodirovD. F.

Давронжон Фарходжон Угли Кодиров, к.т.н., ассистент кафедры металловедения и физики прочности

Россия, 119049, Москва, Ленинский пр., 4

Davronjon F.U. Kodirov, Cand. Sci. (Eng.), Assistant of the Chair “Metallography and Physics of Strength”

4 Leninskii Ave., Moscow 119049, Russian Federation

kodirov.df@misis.ruАлексеевВ. И.AlekseevV. I.

Валерий Игоревич Алексеев, аспирант, инженер научного проекта кафедры металловедения и физики прочности

Россия, 119049, Москва, Ленинский пр., 4

Valerii I. Alekseev, Postgraduate, Engineer of the Chair “Metallography and Physics of Strength”

4 Leninskii Ave., Moscow 119049, Russian Federation

kiilobit@edu.misis.ruНациональный исследовательский технологический университет «МИСИС»РоссияNational University of Science and Technology “MISIS”Russian Federation202501072025683305315Copyright © Соколовская Э.А., Босов Е.В., Кудря А.В., Кодиров Д.Ф., Алексеев В.И., 20252025Соколовская Э.А., Босов Е.В., Кудря А.В., Кодиров Д.Ф., Алексеев В.И.Sokolovskaya E.A., Bosov E.V., Kudrya A.V., Kodirov D.F., Alekseev V.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://fermet.misis.ru/jour/article/view/2915

Для листовой стали 13Г1С-У и крупногабаритных поковок из улучшаемой стали 38ХН3МФА-Ш, изготовленных по существующим технологиям, были проанализированы возможные последствия для оценки качества металлопродукции, связанные с изменением количества образцов, используемых при тестировании единицы продукции (партии, поковки). На основе расчета коэффициентов асимметрии и эксцесса авторы оценили изменение вида распределения значений ударной вязкости, сопутствующее вариации количества образцов. Выборка значений диапазона ударной вязкости, полученных в результате тестирования двух образцов (трех возможных парных комбинаций) на единицу продукции, сравнивалась с использованием критериев Стьюдента и Смирнова как между собой, так и с исходной выборкой (три образца для оценки одной партии листа). Полученные результаты также показали, что в условиях, когда статистическая природа распределений значений параметров качества металлопродукции отличается от нормального вида распределения, необходимо использование критериев непараметрической статистики. Были оценены риски возможной потери информации о качестве металлопродукции при уменьшении количества образцов, испытываемых в рамках отдельной партии. Для получения адекватных результатов статистического анализа необходимо выявить и устранить возможные побочные явления, искажающие результаты анализа: тренды, сезонные колебания, ошибки в записи данных. Для металлопродукции, отличающейся развитой неоднородностью структур, объективная информация о запасе вязкости сталей может быть получена на основе микромеханических испытаний образцов, габариты которых сопоставимы с масштабом структурной неоднородности. Полученные результаты могут быть полезны при статистическом анализе баз данных производственного контроля процесса и продукта в металлургии для подготовки обоснованных технологических рекомендаций (в рамках функционирования сквозной системы управления качеством), направленных на повышение однородности качества металлопродукции.

For 13G1S-U sheet steel and large forgings made of heat-treatable 38KhN3MFA-Sh steel, produced by existing technologies, the possible con­sequences for quality assessment of metal products were analyzed related to changes in the number of samples used in testing a single product unit (batch, forging). Based on the calculation of skewness and kurtosis coefficients, the authors estimated the change of distribution type of impact strength values accompanying the change in the number of samples. The sampling of impact strength range values ​​obtained from testing two samples (three possible paired combinations) per unit of products were compared using the Student’s and Smirnov’s criteria, both among themselves and with the original sampling (three samples for evaluating one batch of sheet). The obtained results also showed that in conditions when the statistical nature of values distributions of the metal products quality parameters differs from the normal distribution type, it is necessary to use the criteria of nonparametric statistics. The risks of possible loss of information on the metal products’ quality when reducing the number of samples tested within a single batch were assessed. In order to obtain adequate results of statistical analysis, it is necessary to identify and eliminate possible side effects that distort results of analysis: trends, seasonal fluctuations, and data recording errors. For metal products characteri­zed by the developed heterogeneity of structures, obtaining objective information on the toughness reserve of steels can be obtained on the basis of micromechanical tests of samples whose dimensions are comparable to the scale of structural heterogeneity. The obtained results can be useful in the statistical analysis of production process and product control databases in metallurgy to obtain reasonable technological recommendations (within the framework of operation of the end-to-end quality management system) aimed at improving the uniformity of metal product.

статистический анализ в металлургииоценка качества металлопродукцииинформативность результатов механических испытанийстатистическая природа данных производственного контроля продуктакритерии непараметрической и классической статистикиBig Datastatistical analysis in metallurgyquality assessment of metal productsinformativeness of mechanical testing resultsstatistical nature of production control datanonparametric and classical statisticsBig DataReferencesСталь на рубеже столетий / Под ред. Ю.С. Карабасова. Москва: МИСиС; 2001:445–543.Steel on the Threshold of Centuries. Karabasov Yu.S. ed. Moscow: MISiS; 2001:445–543. (In Russ.).Pan G., Wang F., Shang C., Wu H., Wu G., Gao J., Wang S., Gao Z., Zhou X., Mao X., Advances in machine learning- and artificial intelligence-assisted material design of steels. International Journal of Minerals, Metallurgy and Mate­rials. 2023;30(6):1003–1024. https://dx.doi.org/10.1007/s12613-022-2595-0Pan G., Wang F., Shang C., Wu H., Wu G., Gao J., Wang S., Gao Z., Zhou X., Mao X., Advances in machine learning- and artificial intelligence-assisted material design of steels. International Journal of Minerals, Metallurgy and Mate­rials. 2023;30(6):1003–1024. https://dx.doi.org/10.1007/s12613-022-2595-0Wei J., Chu X., Sun X.Y., Xu K., Deng H.X., Chen J., Wei Z., Lei M. Machine learning in materials science. InfoMat. 2019;1(3):338–358. https://doi.org/10.1002/inf2.12028Wei J., Chu X., Sun X.Y., Xu K., Deng H.X., Chen J., Wei Z., Lei M. Machine learning in materials science. InfoMat. 2019;1(3):338–358. https://doi.org/10.1002/inf2.12028Sandhya N., Sowmya V., Bandaru C.R., Raghu Babu G. Prediction of mechanical properties of steel using data science techniques. International Journal of Recent Technology and Engineering. 2019;8(3):235–241. https://doi.org/10.35940/ijrte.C3952.098319Sandhya N., Sowmya V., Bandaru C.R., Raghu Babu G. Prediction of mechanical properties of steel using data science techniques. International Journal of Recent Technology and Engineering. 2019;8(3):235–241. https://doi.org/10.35940/ijrte.C3952.098319Guo S., Yu J., Liu X., Wang C., Jiang Q. A predicting model for properties of steel using the industrial big data based on machine learning. Computational Materials Science. 2019;160:95–104. https://doi.org/10.1016/j.commatsci.2018.12.056Guo S., Yu J., Liu X., Wang C., Jiang Q. A predicting model for properties of steel using the industrial big data based on machine learning. Computational Materials Science. 2019;160:95–104. https://doi.org/10.1016/j.commatsci.2018.12.056Sitek W., Trzaska J. Practical aspects of the design and use of the artificial neural networks in materials engineering. Me­tals. 2021;11(11):1832. https://doi.org/10.3390/met11111832Sitek W., Trzaska J. Practical aspects of the design and use of the artificial neural networks in materials engineering. Me­tals. 2021;11(11):1832. https://doi.org/10.3390/met11111832Кудря А.В., Соколовская Э.А. Прогноз разрушения материалов с неоднородной структурой. Физика металлов и металловедение. 2022;123(12):1334–1346. https://doi.org/10.31857/S0015323022601088Kudrya A.V., Sokolovskaya E.A. Prediction of the destruction of materials with inhomogeneous structures. Physics of Metals and Metallography. 2022;123:1253–1264. https://doi.org/10.1134/S0031918X22601615Azimi S.M., Britz D., Engstler M., Fritz M., Mücklich F. Advanced steel microstructural classification by deep learning methods. Scientific Reports. 2018;8:2128. https://doi.org/10.1038/s41598-018-20037-5Azimi S.M., Britz D., Engstler M., Fritz M., Mücklich F. Advanced steel microstructural classification by deep learning methods. Scientific Reports. 2018;8:2128. https://doi.org/10.1038/s41598-018-20037-5Герасимова Л.П., Голубков Д.Е., Гук Ю.П. Стандартные методы контроля качества металлических материалов, сварных и паяных соединений. Москва: Инфра-Инженерия; 2024:668.Gerasimova L.P., Golubkov D.E., Guk Yu.P. Standard Methods for Quality Control of Metallic Materials, Welded and Soldered Joints. Moscow: Infra-Inzheneriya; 2024:668. (In Russ.).Kudrya A.V., Sokolovskaya E.A., Kodirov D., Bosov E.V., Kotishevskiy G.V. On necessity of taking into account statistical nature of the objects using Big Data in metallurgy. CIS Iron and Steel Review. 2022;(1):105–112. https://doi.org/10.17580/cisisr.2022.01.19Kudrya A.V., Sokolovskaya E.A., Kodirov D., Bosov E.V., Kotishevskiy G.V. On necessity of taking into account statistical nature of the objects using Big Data in metallurgy. CIS Iron and Steel Review. 2022;(1):105–112. https://doi.org/10.17580/cisisr.2022.01.19Tripathi M.K., Kumarb R., Tripathib R. Big-data driven approaches in materials science: A survey. Materials Today: Proceedings. 2020;26(2):1245–1249. https://doi.org/10.1016/j.matpr.2020.02.249Tripathi M.K., Kumarb R., Tripathib R. Big-data driven approaches in materials science: A survey. Materials Today: Proceedings. 2020;26(2):1245–1249. https://doi.org/10.1016/j.matpr.2020.02.249Ченцов Н.Н. Статистические решающие правила и оптимальные выводы. Москва: Наука; 1972:524.Chentsov N.N. Statistical Decisive Rules and Optimal Conclusions. Moscow: Nauka; 1972:524. (In Russ.).Гмурман В.Е. Теория вероятностей и математическая статистика. Москва: Высшая школа; 2003:479.Gmurman V. E. Probability Theory and Mathematical Statistics. Moscow: Vysshaya shkola; 2003:479. (In Russ.).Штремель М.А. Инженер в лаборатории. Москва: Металлургия; 1983:128.Shtremel’ M.A. Engineer in the Laboratory. Moscow: Metallurgiya; 1983:128. (In Russ.).Кудря А.В., Шабалов И.П., Великоднев В.Я., Соколовс­кая Э.А., Ахмедова Т.Ш., Васильев С.Г. Возможности статистического анализа результатов приемо-сдаточных испытаний для определения масштабов неоднородности качества трубных сталей. Металлург. 2018;(11):64–68.Kudrya A.V., Shabalov I.P., Velikodnev V.Ya., Sokolovskaya E.A., Akhmedova T.Sh., Vasil’ev S.G. Possibilities of statistical analysis of acceptance test results for determining the scale of pipe steel quality inhomogeneity. Metallurgist. 2018;62: 1167–1172. https://doi.org/10.1007/s11015-019-00769-zChang Y., Haase C., Szeliga D., Madej L., Hangen U., Pietr­zyk M., Bleck W. Compositional heterogeneity in multiphase steels: Characterization and influence on local properties. Materials Science and Engineering: A. 2021;827:142078. https://doi.org/10.1016/j.msea.2021.142078Chang Y., Haase C., Szeliga D., Madej L., Hangen U., Pietr­zyk M., Bleck W. Compositional heterogeneity in multiphase steels: Characterization and influence on local properties. Materials Science and Engineering: A. 2021;827:142078. https://doi.org/10.1016/j.msea.2021.142078Klein D.V., Faleskog J. Influence of heterogeneity due to toughness variations on weakest-link modeling for brittle failure. Engineering Fracture Mechanics. 2023;292:109643. https://doi.org/10.1016/j.engfracmech.2023.109643Klein D.V., Faleskog J. Influence of heterogeneity due to toughness variations on weakest-link modeling for brittle failure. Engineering Fracture Mechanics. 2023;292:109643. https://doi.org/10.1016/j.engfracmech.2023.109643Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. Москва: Наука; 1965:464.Bolshev L.N., Smirnov N.V. Tables of Mathematical Statistics. Moscow: Nauka; 1965:464. (In Russ.).Босов Е.В., Кодиров Д.Ф., Соколовская Э.А., Кудря А.В. Оценка хладостойкости крупных поковок из улучшае­мой стали 38ХН3МФА-Ш на основе «раскопок данных» производственного контроля процесса и продукта. Деформация и разрушение материалов. 2025;(4):29–39. https://doi.org/10.31044/1814-4632-2025-4-29-39Bosov E.V., Kodirov D.F., Sokolovskaya E.A., Kudrya A.V. Evaluation of cold resistance of large forgings made of 38KhN3МFА-Sh improved steel based on «data mining» of industrial control of process and product. Deformatsiya i razrushenie materialov. 2025;(4):29–39. (In Russ.). https://doi.org/10.31044/1814-4632-2025-4-29-39Арабей А.Б., Пышминцев И.Ю., Штремель М.А., Глебов А.Г., Струин А.О., Гервасьев А.М. О структурных причинах шиферности вязких изломов толстолистовой стали. Известия вузов. Черная металлургия. 2009;52(9):9–15.Arabei A.B., Pyshmintsev I.Yu., Shtremel’ M.A., Glebov A.G., Struin A.O., Gervas’ev A.M. On the structural causes of shingled brittle fractures in plate steel. Izvestiya. Ferrous Metallurgy. 2009;52(9):9–15. (In Russ.).Эфрон Л.И. Металловедение в «большой» металлургии. Трубные стали. Москва: Металлургиздат; 2012:696.Efron L.I. Metal Science in “Big” Metallurgy. Pipe Steels. Moscow: Metallurgizdat; 2012:696. (In Russ.).Гурович Б.А., Кулешова Е.А. Стали корпусов ядерных реакторов: структура, свойства, радиационное охрупчивание. Материаловедение. 1999;(11):33–45.Gurovich B.A., Kuleshova E.A. Reactor pressure vessel steels: Structure, properties, radiation embrittlement. Materialovedenie. 1999;(11):33–45. (In Russ.).

The authors declare that there are no conflicts of interest present.