ЦИФРОВІЗАЦІЯ МАТЕРІАЛОЗНАВСТВА Й НАПРЯМИ ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ

Юрій Григорович Ковальов; Віктор Васильович Аулін; Сергій Григорович Ковальов; Олександр Вікторович Кузик; Андрій Вікторович Гриньків

doi:10.30977/BUL.2219-5548.2025.111.0.67

Автор(и)

Юрій Григорович Ковальов Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8, Україна
Віктор Васильович Аулін Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8, Україна
Сергій Григорович Ковальов Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8, Україна
Олександр Вікторович Кузик Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8, Україна
Андрій Вікторович Гриньків Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8, Україна

DOI:

https://doi.org/10.30977/BUL.2219-5548.2025.111.0.67

Ключові слова:

штучний інтелект у матеріалознавстві, Індустрія 4.0, сталий розвиток, цифрове моделювання матеріалів, інтелектуальний аналіз даних

Анотація

У статті досліджено актуальні напрями розвитку матеріалознавства в умовах цифрової трансформації та сталого розвитку. Розглянуто потенціал методів штучного інтелекту для оптимізації досліджень і моделювання властивостей матеріалів. Проаналізовано перспективні шляхи інтеграції України в глобальні науково-технологічні процеси.

Біографії авторів

Юрій Григорович Ковальов, Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8

канд. техн. наук, доц. кафедри матеріалознавства та ливарного виробництва

Віктор Васильович Аулін, Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8

д-р техн. наук, проф. кафедри експлуатації та ремонту машин

Сергій Григорович Ковальов, Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8

канд. пед. наук, доц. кафедри вищої математики та фізики

Олександр Вікторович Кузик, Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8

канд. техн. наук, завідувач кафедри матеріалознавства та ливарного виробництва

Андрій Вікторович Гриньків, Центральноукраїнський національний технічний університет, 25006, Україна, м. Кропивницький, пр. Університетський, 8

канд. техн. наук, старший викладач кафедри експлуатації та ремонту машин

Посилання

Jain A., Ong S. P., Hautier G. et al. The Mate- rials Project: A materials genome approach to accelerating materials innovation. APL Mate- rials. 2013. Vol. 1. No. 1. P. 011002. DOI: 10.1063/1.4812323.

Butler K. T., Davies D. W., Cartwright, H. et al. Machine learning for molecular and materials science. Nature 2018. Vol. 559. Р. 547–555. DOI: 10.1038/s41586-018-0337-2.

Draxl C., Scheffler M. NOMAD: The FAIR concept for big data-driven materials science. MRS Bulletin. 2019. Vol. 44. No. 7. Р. 570–576. DOI: 10.1557/mrs.2019.161.

Scheidgen M., Draxler C., Ghiringhelli L. M. NOMAD Oasis: A federated infrastructure for FAIR materials data. Journal of Open Source Software. 2023. Vol. 8. No. 84. P. 5123. DOI: 10.21105/joss.05388.

Citrine Informatics. The Materials Data Facility: Data Services to Advance Materials Science Re- search. JOM. 2024. Vol. 68. No. 8. Р. 2045–2052. DOI: 10.1007/s11837-024-06731-y.

Kalidindi S. R., De Graef M. Materials data science: Current status and future outlook. An- nual Review of Materials Research. 2015. Vol. 45. Р. 171–193. DOI: 10.1146/annurev- matsci-070214-020844.

FAIRmat Consortium. Building a FAIR data infrastructure for materials science in Europe. Nature Computational Materials. 2025. Vol. 11. Р. 112–118. DOI: 10.1038/s41524-025-00512-7.

Alghadeer M., Aisyah N. D., Hezam M. et al. Machine learning prediction of materials proper- ties from chemical composition: Status and pro- spects. Chemical Physics Reviews. 2024. Vol. 5. No. 4. P. 041313. DOI: 10.1063/5.0235541.

Aulin V., Kovalov S., Hrynkiv A. et al. Enhanc- ing Tribological System Performance through Intelligent Data Analysis and Predictive Model- ing: A Review. Problems of Tribology, 2025. Vol. 30, No. 3(117). P. 49–61, DOI: 10.31891/2079-1372-2025-117-3-49-61.

Berladir K., Antosz K., Ivanov V., Mitalova Z. Machine Learning-Driven Prediction of Compo- site Materials Properties Based on Experimental Testing Data. Polymers. 2025. Vol. 17. No. 5. P. 694. DOI: 10.3390/polym17050694.

Nematov D., Hojamberdiev M. Machine learn- ing-driven materials discovery: Unlocking next- generation functional materials – A review. Com- putational Condensed Matter. 2025. Vol. 45. P. e01139. DOI: 10.1016/j.cocom.2025.e01139.

Aulin V., Hrynkiv A., Lysenko S., et al. Study- ing Truck Transmission Oils Using the Method of Thermal-Oxidative Stability During Vehicle Operation. Eastern-European Journal of Enter- prise Technologies. 2019. Vol. 1 (6). P. 6–12. DOI: 10.15587/1729-4061.2019.156150.

Choudhary K., DeCost B. Atomistic Line Graph Neural Network for improved materials property predictions npj Computational Materials. 2021. Vol. 7. P. 185. DOI: 10.1038/s41524-021-00650-1.

Qi J., Hoyos D. I., Poon S. J. Machine Learning- Based Classification, Interpretation, and Predic- tion of High-Entropy-Alloy Intermetallic Phases High Entropy Alloys & Materials. 2023. Vol. 1. P. 312–326. DOI: 10.1007/s44210-023-00017-9.

Mahmoud E. M., Sayed M., Mansour T. S. et al. Biodegradable ceramic materials for orthopedic and dentistry applications Discover Applied Sciences. 2025. Vol. 7. P. 990. DOI: 10.1007/ s42452-025-07618-6.

Xie T., Grossman J. C. Crystal Graph Convolu- tional Neural Networks for an Accurate and In- terpretable Prediction of Material Properties Physical Review Letters. 2021. Vol. 124, No. 14. P. 145501. DOI: 10.1103/PhysRevLett. 124.145501.

Raccuglia P., Elbert K. C., Adler P. D. F. et al. Machine-learning-assisted materials discovery us- ing failed experiments. Nature. 2016. Vol. 533. No. 7601. P. 73–76. DOI: 10.1038/nature17439.

Jiang X., Wang W., Tian S. et al. Applications of natural language processing and large language models in materials discovery. npj Computation- al Materials. 2025. Vol. 11. P. 79. DOI: 10.1038/s41524-025-01554-0.

Bajan C., Lambard G. Exploring the expertise of large language models in materials science and metallurgical engineering. Digital Discov- ery. 2025. Vol. 4. P. 500–512. DOI: 10.1039/ D4DD00319E.