ГОСТ Р 71688-2024 Искусственный интеллект. Наборы данных для разработки и верификации моделей машинного обучения для косвенного измерения физико-механических свойств объектов аддитивного производства. Общие требования

Введение

Одной из основных целей в области проектирования новых композиционных материалов является прогнозирование их надежности и долговечности. Известные способы прогнозирования свойств материалов взаимосвязаны с состоянием внутренней структуры материала, что является ресурсоемкой задачей. Существуют стандартные методы испытаний пултрузионных полимерных композитов по ГОСТ Р 57921 на растяжение, сжатие, изгиб, сдвиг в плоскости армирования и ударную прочность при изгибе. Физико-механические свойства, полученные в результате стандартных испытаний, могут быть использованы для "косвенного" прогнозирования стойкости и долговечности изделия без дополнительных исследований внутренней структуры материала с использованием машинного обучения.

Установленные в настоящем стандарте общие требования определяют порядок выбора методов сбора, анализа, постобработки набора данных аддитивного производства, а также методы контроля качества и полноты наборов данных для косвенного измерения свойств узлов и элементов конструкций.

Задачами настоящего стандарта являются:

- формирование структуры классификации наборов данных, определение систематизированной структуры для упорядочения наборов данных объектов аддитивного производства;

- формулировка требований к наборам данных, установление перечня основных требований для наборов данных, а также для структурирования данных о технологических параметрах и физико-механических свойствах объектов;

- обеспечение рекомендаций по сбору данных, предоставление методов сбора данных для каждого класса набора, включая рекомендации по выбору методов анализа и постобработки;

- установление единых принципов оценки качества данных, обеспечение надежности и сопоставимости результатов при использовании наборов данных для разработки и верификации системы искусственного интеллекта в аддитивном производстве.