Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів

О.С. Воденнікова; С.А. Воденніков

doi:10.15407/steelcast2026.02.078

Синергія штучного інтелекту та матеріалознавства при створенні зображень НаноАрт на основі структур металів та сплавів

Автор(и)

О.С. Воденнікова Запорізький національний університет (Запоріжжя, Україна) https://orcid.org/0000-0003-0496-5435 (неавтентифікований)
С.А. Воденніков Національний університет «Запорізька політехніка» (Запоріжжя, Україна) https://orcid.org/0000-0002-5563-5244 (неавтентифікований)

DOI:

https://doi.org/10.15407/steelcast2026.02.078

Ключові слова:

матеріалознавство, цифровізація, цифрова металографія, структура металів і сплавів, штучний інтелект, інструменти штучного інтелекту, ChatGPT, НаноАрт, стилізація зображень

Анотація

В умовах цифрової трансформації та сталого розвитку відбувається синергія штучного інтелекту та матеріалознавства. Зокрема, у контексті Індустрії 4.0 науковці за спеціальностями G8 «Матеріалознавство» та G10 «Металургія» фокусуються на впровадженні цифрових технологій для створення «розумних» матеріалів, моделювання властивостей та структури матеріалів, автоматизації виробничих процесів, створенні цифрових двійників та інше. У роботі акцентується увага на використанні штучного інтелекту (ШІ) для покращення якості мікрофрактографій структур металів та сплавів (видалення подряпин й пилу, підвищення різкості, контрасту, деталізації зерен та інше) з подальшим створенням зображень НаноАрт у вигляді пейзажів, тварин, предметів та іншого. В якості інструментів штучного інтелекту при створенні зображень НаноАрт представляється можливим використання як спеціалізованого наукового програмного забезпечення (MountainsMap, Gwyddion, ImageJ/Fiji), так і гра- фічних редакторів з підтримкою штучного інтелекту (Adobe Photoshop (з функцією Generative Fill), Affinity Photo, Luminar Neo), генеративних нейромереж (ChatGPT, Midjourney, Stable Diffusion, Adobe Firefly) та мобільних додатків (Prisma або Pikazo). В роботі також розглядаються питання застосування як різних інструментів штучного інтелекту, так і різних візуальних стилізацій зображення (наприклад, у стилі LEGO, порцеляновому стилі, 3D стилі, в’язаному стилі, стилі пазлів та інших), що в свою чергу дозволяє досліджувати різні форми, текстури, матеріали й візуальні ефекти і має важливе значення для створення зображень НаноАрт й креативних цифрових зображень. Особлива увага приділяється естетичному аспекту отриманих зображень НаноАрт: перетворення чорно-білого зображення структур металів і сплавів в різнокольорові картини демонструє красу мікросвіту, здатності бачити не лише функціональне, а й художнє призначення результатів своїх досліджень.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

автор О.С. Воденнікова, афіліація Запорізький національний університет (Запоріжжя, Україна)

канд. техн. наук, доц., доц.
автор С.А. Воденніков, афіліація Національний університет «Запорізька політехніка» (Запоріжжя, Україна)

д-р техн. наук, проф., проф.

Посилання

Zelinska, D. (2024). Industry 4.0 and its impact on world countries in the context of achieving the 2030 sustainable development goals. Galician economic journal, 91(6), 133-141. https://doi.org/10.33108/galicianvisnyk_tntu2024.06.133 [in Ukrainian].

Kalidindi, S. R., & Graef, M. De. (2015). Materials Data Science: Current Status and Future Outlook. Annual Review of Materials Research, 45, 171-193. https://doi.org/10.1146/annurev-matsci-070214-020844

Pasupuleti, M. K. (2024). Chapter IV: AI-Powered Materials Innovation: Accelerating Design and Discovery in Advanced Materials. International Journal of Academic and Industrial Research Innovations, 04(11), 112-162. https://doi.org/10.62311/nesx/46618

Agrawal, A., & Choudhary, A. (2026). Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science. APL Materials, 4(5). 053208. https://doi.org/10.1063/1.4946894

Kovalov, Yu., Aulin, V., Kovalov, S., Kuzyk, O., & Hrynkiv, A. (2025). Artificial Intelligence in Materials Research: Trends, Tools, and Transformations. Central Ukrainian Scientific Bulletin. Technical Sciences, 12(43), II, 134-142. https://doi.org/10.32515/2664-262X.2025.12(43).2.134-142 [in Ukrainian].

Pashynska, O., & Zavdovieiev, A. (2025). Artificial intelligence in materials science: changes in materials discovery and development. Scientific Journal of Metinvest Polytechnic. Series: Technical sciences, (5), 152-163. https://doi.org/10.32782/3041-2080/2025-5-17 [in Ukrainian].

Dimiduk, D. M., Holm, E. A., & Niezgoda, S. R. (2018). Perspectives on the Impact of Machine Learning, Deep Learning, and Artificial Intelligence on Materials, Processes, and Structures Engineering. Integrating Materials and Manufacturing Innovation, 7, 157-172. https://doi.org/10.1007/s40192-018-0117-8

Abramovich, A. O., Zaitsev, E. O., & Piddubny, V. O. (2023). Application of artificial intelligence for metal identification by eddy current system. Scientific Collection “InterConf+”. Proceedings of the 8th International Scientific and Practical Conference “Theory and Practice of Science: Key Aspects” (July 19-20, 2023, Rome, Italy), 35(163), 287-298. https://doi.org/10.51582/interconf.19-20.07.2023.028 [in Ukrainian].

Kovalov, Yu., Aulin, V., Kovalov, S., Kuzyk, O., & Hrynkiv, A. (2025). Digitalization of Materials Science and Directions for the Application of Artificial Intelligence. Bulletin of Kharkov National Automobile and Highway University, (111), 67-74. https://doi.org/10.30977/BUL.2219-5548.2025.111.0.67 [in Ukrainian].

Goswami, L., Deka, M. K., & Roy, M. (2023). Artificial Intelligence in Material Engineering: A Review on Applications of Artificial Intelligence in Material Engineering. Advanced Engineering Materials, 25(13). 2300104. https://doi.org/10.1002/adem.202300104

Xu, Y., Liu, X., Cao, X. et al. (2021). Artificial intelligence: A powerful paradigm for scientific research. The Innovation, 2(4). 100179. https://doi.org/10.1016/j.xinn.2021.100179

Yang, H., Qiu, H., Xiang, Q., Tang, S., & Guo, H. (2020). Exploring Elastoplastic Constitutive Law of Microstructured Materials Through Artificial Neural Network – A Mechanistic-Based Data-Driven Approach. Journal of Applied Mechanics, 87(9). 091005. https://doi.org/10.1115/1.4047208

Wang, K., & Sun, W. (2019). Meta-modeling game for deriving theory-consistent, microstructure-based traction–separation laws via deep reinforcement learning. Computer Methods in Applied Mechanics and Engineering, 346, 216-241. https://doi.org/10.1016/j.cma.2018.11.026

Guo, K., Yang, Z., Yu, C.-H., & Buehler, M. J. (2021). Artificial intelligence and machine learning in design of mechanical materials. Materials Horizons, (8), 1153-1172. https://doi.org/10.1039/d0mh01451f

Xie, E., & Yang, C. (2025). AI Design for High Entropy Alloys: Progress, Challenges and Future Prospects. Metals, 15(9). 1012. https://doi.org/10.3390/met15091012

Kumar, A., Mukhopadhyay, N. K., & Yada, T. P. (2025). Recent progresses on high entropy alloy development using machine learning: A review. Computational Materials Today, 8, 100038. https://doi.org/10.1016/j.commt.2025.100038

Lu, B., Xia, Y., Ren, Y. et al. (2024). When Machine Learning Meets 2D Materials: A Review. Advanced Science, 11(13). 2305277. https://doi.org/10.1002/advs.202305277

Xie, W., Sun, Y., Wang, C., Li, M., Li, F., & Liu, Y. (2025). Artificial intelligence can recognize metallic glasses in vast compositional space with sparse data. npj Computational Materials, 11, Article number: 254. https://doi.org/10.1038/s41524-025-01753-9

Wei, Q., Cao, B., Yuan, H., Chen, Y., You, K., Yu, S., Yang, T., Dong, Z., & Zhang, T.-Y. (2023). Divide and conquer: Machine learning accelerated design of lead-free solder alloys with high strength and high ductility. npj Computational Materials, 9, Article number: 201. https://doi.org/10.1038/s41524-023-01150-0

Han, X.-Q., Wang, X.-D., Xu, M.-Y., Feng, Z., Yao, B.-W., Guo, P.-J., Gao, Z.-F., & Lu, Z.-Y. (2025). AI-Driven Inverse Design of Materials: Past, Present, and Future. Chinese Physics Letters, 42(2). 027403. https://doi.org/10.1088/0256-307X/42/2/027403

Yao, J., Wang, J., Yu, W., Chen, Y., Li, W., Wei, J., Zhao, Y., Wang, Y., Wang, L., Tan, L., Huang, L., Liu, F., & Liu, Y. (2026). Alloy design integrating natural language processing and machine learning: breakthrough development of low-cost, high-performance Ni-based single-crystal superalloys. npj Computational Materials, 12, Article number: 38. https://doi.org/10.1038/s41524-025-01906-w

Wang, Y., Wang, K., & Zhang, C. (2024). Applications of artificial intelligence/machine learning to high-performance composites. Composites. Part B: Engineering, 285. 111740. https://doi.org/10.1016/j.compositesb.2024.111740

Cao, G., Ouyang, R., Ghiringhelli, L. M., Scheffler, M., Liu, H., Carbogno, C., & Zhang, Z. (2020). Artificial intelligence for high-throughput discovery of topological insulators: The example of alloyed tetradymites. Physical Review Materials, (4). 034204. https://doi.org/10.1103/PhysRevMaterials.4.034204

Zhang, X., Wang, X., Wang, W., Yuan, Z., Peng, J., Shi, Y., He, P., & Chang, Y. (2026). Machine learning–driven thermoelectric materials: Review on prediction, optimization, and discovery. Journal of Alloys and Compounds, 1050. 185711. https://doi.org/10.1016/j.jallcom.2025.185711

Kaplan, D., Zheng, A., Blawat, J., Jin, R., & Cava, R. J. (2025). Deep learning-based superconductivity prediction and experimental tests. The European Physical Journal Plus, 140(58). https://doi.org/10.1140/epjp/s13360-024-05947-w

Mo, W., Wang, J., Yuan, G., Cao, D., & Bai, G. (2025). Application of machine learning in magnetocaloric materials: A review. Materials Today Communications, 44, 111933. https://doi.org/10.1016/j.mtcomm.2025.111933

Sazanishvili, Z., Matsiuk, I., & Verner, I. (2024). Artificial Intelligence in the Educational Process of Students of Specialty 132 Material Science. Bulletin of Kharkov National Automobile and Highway University, (107), 69-73. https://doi.org/10.30977/BUL.2219-5548.2024.107.0.69 [in Ukrainian].

Kolomiets, A. M., & Kushnir, O. l. (2023). Use of artificial intelligence in educational and scientific activities: opportunities and challenges. Modern Information Technologies and Innovation Methodologies of Education in Professional Training Methodology Theory Experience Problems, (70), 45-57. https://doi.org/10.31652/2412-1142-2023-70-45-57 [in Ukrainian].

Vodennikova, O. S., Vodennikov, S. A., & Borsuk, S. A. (2025). The use of artificial intelligence in the educational process in the specialty G10 “Metallurgy”. Science and Metallurgy: All-Ukrainian Scientific and Technical Conference: Collection of Abstracts (Dnipro, November 19–20, 2025). Dnipro, p. 29 [in Ukrainian].

Bloshchynskyi, I. H., Dyiak, V. V., Yakymchuk, A. V., & Palahniuk, M. H. (2025). Synergy of immersive technologies and artificial intelligence in educational activities. Bulletin of Science and Education, 5(35), 1054-1066. https://doi.org/10.52058/2786-6165-2025-5(35)-1054-1066 [in Ukrainian].

Vodennikova, O. S., Vodennikov, S. A., & Borsuk S. A. (2025). The use of artificial intelligence in the educational proces in the specialty G10 “Metallurgy”. Modern technologies of the industrial complex – 2025: International scientific and practical conference (Kherson–Khmelnytskyi, September 17–19, 2025). Kherson, Khmelnytskyi: Kherson National Technical University, No. 9, pp. 100-102 [in Ukrainian].

Warmuzek, M. (2004). Aluminum-silicon casting alloys: atlas of microfractographs. ASM International. 124 р. ISBN: 978-0-87170-794-9

Bolshakov, V. I., Sukhomlin, G. D., & Laukhin, D. V. (2010). Atlas struktur metallov i splavov [Atlas of metal and alloy structures]. State Higher Educational Institution “PGACEA” [in Russian].

Vodennikova, O. S., Vodennikov, S. A., & Pishchenko, K. A. (2025). NanoArt and Metallurgy: Symbiosis of Art and Nanotechnology During Wartime. Metal and Casting of Ukraine, 33(3–4(342–343)), 53-63. https://doi.org/10.15407/steelcast2025.03-04.053 [in Ukrainian].

Vodennikova, O. S., Vodennikov, S. A., & Pishchenko, K. A. (2025). NanoArt and metallurgy: use of information technologies in processing micro- and macrostructures of ferro and non-ferro metals and alloys. Science and production, (30), 69-80. https://doi.org/10.31498/2522-9990302025347069 [in Ukrainian].

Vodennikova, O. S., & Vodennikov, S. A. (2026). NanoArt and Metallurgy: Using Artificial Intelligence to Process Metal and Alloy Structures. Metal and Casting of Ukraine, 34(1(344)), 55-64. https://doi.org/10.15407/steelcast2026.01.055 [in Ukrainian].