Випуски $\rightarrow$ Том 27, випуск 2 (2026)

Дослідження взаємозв’язку між складом і температурою фазового перетворення стопів на основі NiTi із використанням машинного навчання

ГУРБАНОВ Н.А.$^{1}$, ІМАМАЛІЗАДЕ Ч.А.$^{1}$, ГАРДАШОВА Л.А.$^{1}$, ЯСАШ М.М.$^{2}$, ГУЛІЄВА А.Х.$^{3}$

$^1$Азербайджанський державний університет нафти та промисловості, пр. Азадлиг, 20, Баку, Азербайджан
$^2$Університет Карабюк, 413 просп., 10, 78050 Карабюк, Туреччина
$^3$Бакинський інженерний університет, Хірдалан-сіті, просп. Гасана Алієва, 120, AZ0101 Баку, Азербайджан

Отримано / остаточна версія: 28.02.2026 / 02.06.2026 Завантажити PDF logo PDF

Анотація
Точне прогнозування температур фазового перетворення має вирішальне значення для проєктування й оптимізації стопів з пам’яттю форми на основі NiTi, оскільки ці температури визначають їхні функціональні характеристики та робочі діяпазони. Однак зв’язок між складом стопу та поведінкою фазового перетворення є достатньо складним і нелінійним, що утруднює надійне прогнозування за допомогою традиційних підходів моделювання. Тому в цьому дослідженні для прогнозування кінцевої температури перетворення аустеніту на основі складу стопу застосовано методи машинного навчання. Набір даних складається з експериментально виміряних стопів на основі NiTi, що характеризуються елементарними атомними відсотками та відповідними температурами перетворення. Перед моделюванням проведено попередню обробку даних і стандартизацію ознак для забезпечення надійного навчання й оцінки моделю. Застосовано та систематично порівняно різні методи реґресії, включаючи ребристу реґресію, реґресію опорних векторів, реґресію на основі Ґауссових процесів і на основі k-найближчих сусідів. Результати показали, що нелінійні методи машинного навчання значно перевершують лінійну реґресію у визначенні складних композиційних залежностей, що реґулюють температури перетворення. Зокрема, непараметричні та ймовірнісні моделі продемонстрували ліпшу здатність до моделювання нелінійних зв’язків та експериментальної мінливости. Результати дослідження підтверджують, що машинне навчання забезпечує ефективну та надійну основу для прогнозування температур перетворення, виходячи виключно з параметрів складу. Розроблений підхід пропонує цінний інструмент для пришвидшення проєктування на основі даних та оптимізації новітніх стопів з пам’яттю форми, одночасно скорочуючи експериментальні зусилля та час розробки.

Ключові слова: стопи з пам’яттю форми, фазове перетворення, модель прогнозування, машинне навчання, Пітон.

DOI: https://doi.org/10.15407/ufm.27.02.***

Citation: N.A. Gurbanov, Ch.A. Imamalizade, L.A. Gardashova, M.M. Yaşar, and A.H. Guliyev, Investigation of the Composition–Phase-Transformation Temperature Relationship in the NiTi-Based Alloys Using Machine Learning, Progress in Physics of Metals, 27, No. 2: ***–*** (2026)

Цитована література   
  1. G.B. Olson, Science, 288: 993 (2000); https://doi.org/10.1126/science.288.5468.993
  2. J.H. Panchal, S.R. Kalidindi, and D.L. McDowell, Comput. Aided Des., 45: 4 (2013); https://doi.org/10.1016/j.cad.2012.06.006
  3. J. Allison, D. Backman, and L. Christodoulou, JOM, 58: 25 (2006); https://doi.org/10.1007/s11837-006-0223-5
  4. A.A. White, MRS Bulletin., 38: 594 (2013); https://doi.org/10.1557/mrs.2013.187
  5. T.M. Pollock, Nat. Mater., 15: 809 (2016); https://doi.org/10.1038/nmat4709
  6. A.D. Spear, S.R. Kalidindi, B. Meredig, A. Kontsos, and J.-B. Le Graverend, JOM, 70: 1143 (2018); https://doi.org/10.1007/s11837-018-2894-0
  7. J. Ling, M. Hutchinson, E. Antono, S. Paradiso, and B. Meredig, Integr. Mater. Manuf. Innov., 6: 207 (2017); https://doi.org/10.1007/s40192-017-0098-z
  8. D. Xue, P.V. Balachandran, J. Hogden, J. Theiler, and T. Lookman, Nat. Commun., 7: 11241 (2016); https://doi.org/10.1038/ncomms11241
  9. S. Curtarolo, G.L.W. Hart, M.B. Nardelli, N. Mingo, S. Sanvito, and O. Levy, Nat. Mater., 12: 191 (2013); https://doi.org/10.1038/nmat3568
  10. S. Curtarolo, W. Setyawan, G.L.W. Hart, M. Jahnatek, R.V. Chepulskii, R.H. Taylor, S. Wang, J. Xue, K. Yang, O. Levy, M.J. Mehl, H.T. Stokes, D.O. Demchenko, and D. Morgan, Comput. Mater. Sci., 58: 2018 (2012); https://doi.org/10.1016/j.commatsci.2012.02.005
  11. J.E. Saal, S. Kirklin, M. Aykol, B. Meredig, and C. Wolverton, JOM, 65: 1501 (2013); https://doi.org/10.1007/s11837-013-0755-4
  12. Jain, S.P. Ong, G. Hautier, W. Chen, W.D. Richards, S. Dacek, S. Cholia, D. Gunter, D. Skinner, G. Ceder, and K.A. Persson, APL Mater., 1: 011002 (2013); https://doi.org/10.1063/1.4812323
  13. F. Ren, L. Ward, T. Williams, K.J. Laws, C. Wolverton, J. Hattrick-Simpers, and A. Mehta, Sci. Adv., 4, No. 4 (2018); https://doi.org/10.1126/sciadv.aaq1566
  14. L. Ward, A. Agrawal, A. Choudhary, and C. Wolverton, npj Comput. Mater., 2: 16028 (2016); https://doi.org/10.1038/npjcompumats.2016.28
  15. L.M. Ghiringhelli, J. Vybiral, S.V. Levchenko, C. Draxl, and M. Scheffler, Phys. Rev. Lett., 114: 105503 (2015); https://doi.org/10.1103/PhysRevLett.114.105503
  16. O. Isayev, C. Oses, C. Toher, E. Gossett, S. Curtarolo, and A. Tropsha, Nat. Commun., 8: 105503 (2017); https://doi.org/10.1038/ncomms15679
  17. V. Stanev, C. Oses, A.G. Kusne, E. Rodriguez, J. Paglione, S. Curtarolo, and I. Takeuchi, npj Comput. Mater., 4: 29 (2018); https://doi.org/10.1038/s41524-018-0085-8
  18. B. Meredig, E. Antono, C. Church, M. Hutchinson, J. Ling, S. Paradiso, B. Blaiszik, I. Foster, B. Gibbons, J. Hattrick-Simpers, A. Mehtaf, and L. Ward, Mol. Syst. Des. Eng., 3: 819 (2018); https://doi.org/10.1039/C8ME00012C
  19. A.O. Oliynyk, E. Antono, T.D. Sparks, L. Ghadbeigi, M.W. Gaultois, B. Meredig, and A. Mar, Chem. Mater., 28: 7324 (2016); https://doi.org/10.1021/acs.chemmater.6b02724
  20. J. Carrete, N. Mingo, S. Wang, and S. Curtarolo, Phys. Rev. X, 4: 011019 (2014); https://doi.org/10.1103/PhysRevX.4.011019
  21. P.V. Balachandran, A.A. Emery, J.E. Gubernatis, T. Lookman, Ch. Wolverton, and A. Zunger, Phys. Rev. Mater., 2: 043802 (2018); https://doi.org/10.1103/PhysRevMaterials.2.043802
  22. C. Oses, C. Toher, S. Curtarolo, Nat. Rev. Mater., 5: 295 (2020); https://doi.org/10.1038/s41578-019-0170-8
  23. T.E. Buchheit, D.F. Susan, J.E. Massad, J.R. McElhanon, and R.D. Noebe, Metall. Mater. Trans A, 47: 1587 (2016); https://doi.org/10.1007/s11661-016-3324-y
  24. G.B. Olson and C.J. Kuehmann, Scr. Mater., 70: 27 (2014); https://doi.org/10.1016/j.scriptamat.2013.08.032
  25. J.H. Martin, B.D. Yahata, J.M. Hundley, J.A. Mayer, T.A. Schaedler, and Tresa M. Pollock, Nature, 549: 365 (2017); https://doi.org/10.1038/nature23894
  26. K. Otsuka and C.M. Wayman, Shape Memory Materials (Cambridge Univ. Press: 1999).
  27. K. Otsuka and T. Kakeshita, MRS Bull., 27: 91 (2002); https://doi.org/10.1557/mrs2002.43
  28. J.S. Juan, M.L. Nó, and Ch.A. Schuh, Nat. Nanotechnol., 4: 415 (2009); https://doi.org/10.1038/nnano.2009.142
  29. J.N. Aslanov, Z.S. Huseynli, and G.S. Hasanov, Int. J. Tech. Phys. Probl. Eng., 17: 446 (2025).
  30. Y. Song, X. Chen, V. Dabade, T.W. Shield, and R.D. James, Nature, 502: 85 (2013); https://doi.org/10.1038/nature12532
  31. C. Chluba, W. Ge, R.L. de Miranda, J. Strobel, L. Kienle, E. Quandt, and M. Wuttig, Science, 348: 1004 (2015); https://doi.org/10.1126/science.1261164
  32. J. Cui, Y.S. Chu, O.O. Famodu, Y. Furuya, J. Hattrick-Simpers, R.D. James, A. Ludwig, S. Thienhaus, M. Wuttig, Z. Zhang, and I. Takeuchi, Nat. Mater., 5: 286 (2006); https://doi.org/10.1038/nmat1593
  33. M. Zarinejad and Y. Liu, Adv. Funct. Mater., 18: 2789 (2008); https://doi.org/10.1002/adfm.200701423
  34. J. Frenzel, A. Wieczorek, I. Opahle, B. Maaß, R. Drautz, and G. Eggeler, Acta Mater., 90: 213 (2015); https://doi.org/10.1016/j.actamat.2015.02.029
  35. K. Otsuka and X.B. Ren, Mater. Sci. Forum, 394: 177 (2002); https://doi.org/10.4028/www.scientific.net/MSF.394-395.177
  36. X.B. Ren and K. Otsuka, Mater. Sci. Forum, 327: 413 (2000); https://doi.org/10.4028/www.scientific.net/MSF.327-328.413
  37. J. Ma, I. Karaman, and R.D. Noebe, Int. Mater. Rev., 55: 257 (2010); https://doi.org/10.1179/095066010X12646898728363
  38. J. Frenzel, E.P. George, A. Dlouhy, Ch. Somsen, M.F.-X. Wagner, and G. Eggeler, Acta Mater., 58: 3444 (2010); https://doi.org/10.1016/j.actamat.2010.02.019
  39. Yu.M. Koval, V.S. Filatova, V.V. Odnosum, O.A. Shcheretskyi, and G.S. Firstov, Metallofiz. Noveishie Tekhnol., 47: 1281 (2025); https://doi.org/10.15407/mfint.47.12.1281
  40. G.S. Firstov, Yu.M. Koval, V.S. Filatova, V.V. Odnosum, G. Gerstein, and H.J. Maier, Prog. Phys. Met., 24: 819 (2023); https://doi.org/10.15407/ufm.24.04.819
  41. J.C. Chekotu, R. Goodall, D. Kinahan, D. Brabazon, Materials & Design, 218: 110715 (2022); https://doi.org/10.1016/j.matdes.2022.110715
  42. N. Agarwal, J.R. Murphy, T.S. Hashemi, T. Mossop, D. O’Neill, J. Power, A. Shayegh, and D. Brabazon, Materials, 16: 6480 (2023); https://doi.org/10.3390/ma16196480
  43. T.C. Dzogbewu and D.J. de Beer, Heliyon, 10: e23369 (2024); https://doi.org/10.1016/j.heliyon.2023.e23369
  44. Y. Zhang, D. Wei, Y. Chen, L. Xie, L. Wang, L.-C. Zhang, W. Lu, and G. Chen, J. Mater. Sci. Technol., 186: 48 (2024); https://doi.org/10.1016/j.jmst.2023.10.053
  45. S.W. Robertson, A. Pequegnat, E. Borgeson, K. Chapman, Ch. Fahey, and E. Veit, Shape Memory and Superelasticity, 11: 669 (2025); https://doi.org/10.1007/s40830-025-00541-0
  46. S. Liu, B.B. Kappes, B. Amin-ahmadi, O. Benafan, X. Zhang, and A.P. Stebner, Appl. Mater. Today, 22: 100898 (2021); https://doi.org/10.1016/j.apmt.2020.100898
  47. D. Xue, D. Xue, R. Yuan, Y. Zhou, P.V. Balachandran, X. Ding, J. Sun, and T. Lookman, Acta Mater., 125: 532 (2017); https://doi.org/10.1016/j.actamat.2016.12.009
  48. H. Abedi, K.S. Baghbaderani, A. Alafaghani, M. Nematollahi, F. Kordizadeh, M.M. Attallah, A. Qattawi, and M. Elahinia, J. Materi Eng and Perform., 31: 10258 (2022); https://doi.org/10.1007/s11665-022-06995-y
  49. S.R. Kalidindi and M. De Graef, Annu. Rev. Mater. Res., 45: 171 (2015); https://doi.org/10.1146/annurev-matsci-070214-020844
  50. M.B. Babanli and K.H. Ismayilova, 11th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions and Artificial Intelligence. Lecture Notes in Networks and Systems. Vol. 362 (Springer: 2022), p. 459; https://doi.org/10.1007/978-3-030-92127-9_62
  51. R.K. Mehtiyev and Yu.A. Tanriverdiyev, J. Machinery Manuf. Reliability, 54: 586 (2025); https://doi.org/10.1134/S1052618825700955
  52. P. Raccuglia, K.C. Elbert, P.D.F. Adler, C. Falk, M.B. Wenny, A. Mollo, M. Zeller, S.A. Friedler, J. Schrier, and Alexander J. Norquist, Nature, 533: 73 (2016); https://doi.org/10.1038/nature17439
  53. P.V. Balachandran, D. Xue, and T. Lookman, Phys. Rev. B, 93: 144111 (2016); https://doi.org/10.1103/PhysRevB.93.144111
  54. E.A. Guseinova and G.S. Hasanov, Phys. Chem. Solid State, 25, No. 2: 333 (2024); https://doi.org/10.15330/pcss.25.2.333-337
  55. K.N. Melton and O. Mercier, Acta Metall., 29: 393 (1981); https://doi.org/10.1016/0001-6160(81)90165-6
  56. Yu.M. Koval, V.V. Odnosum, T.G. Sych, G.S. Mogylnyy, V.V. Burtsev, and A.Yu. Sezonenko, Metallofiz. Noveishie Tekhnol., 45, No. 11: 1293 (2023); https://doi.org/10.15407/mfint.45.11.1293
  57. J. Frenzel, A. Wieczorek, I. Opahle, B. Maaß, R. Drautz, and G. Eggeler, Acta Mater., 90: 213 (2015); https://doi.org/10.1016/j.actamat.2015.02.029
  58. G. Angella, B.P. Wynne, W.M. Rainforth, and J.H. Beynon, Acta Mater., 53: 1263 (2005); https://doi.org/10.1016/j.actamat.2004.10.047
  59. Y.Q. Wang, Y.F. Zheng, W. Cai, and L.C. Zhao, Scr. Mater., 40: 1327 (1999); https://doi.org/10.1016/S1359-6462(99)00085-8
  60. V.G. Pushin, N.N. Kuranova, A.V. Pushin, A.N. Uksusnikov, and N.I. Kourov, Tech. Phys., 61, No. 7: 1009 (2016); https://doi.org/10.1134/S1063784216070203
  61. S.F. Hsieh, S.L. Chen, H.C. Lin, M.H. Lin, J.H. Huang, M.C. Lin, J. Alloys Compd., 494: 155 (2010); https://doi.org/10.1016/j.jallcom.2010.01.052
  62. S.B. Glen et al., Metall. Mater. Trans. A, 41 (2010); https://doi.org/10.1007/s11661-010-0257-3
  63. Kh.M. Ibrahim, N. Elbagoury, and Y. Fouad, J. Alloys Compd., 509: 3913 (2007); https://doi.org/10.1016/j.jallcom.2010.12.164
  64. B. Strnadel, S. Ohashi, H. Ohtsuka, T. Ishihara, and S. Miyazaki, Mater. Sci. Eng. A, 202: 148 (1995); https://doi.org/10.1016/0921-5093(95)09801-1
  65. T.E. Buchheit, D.F. Susan, J.E. Massad, J.R. McElhanon, and R.D. Noebe, Metall. Mater. Trans. A, 47: 1587 (2016); https://doi.org/10.1007/s11661-016-3324-y
  66. E.A. Chyiko, X. Wang, J. Van Humbeeck, and S. Kustov, Mater. Today: Proc., 4: 4763 (2017); https://doi.org/10.1016/j.matpr.2017.04.067
  67. M.B. Babanli, Proc. Comp. Sci., 120: 104 (2017); https://doi.org/10.1016/j.procs.2017.11.216
  68. R. Coker, N. Altinkok, and A. Demir, Mater. Des., 28: 616 (2007); https://doi.org/10.1016/j.matdes.2005.07.021
  69. K.P. Mohanachandra, D. Shin, and G.P. Carman, Smart Mater. Struct., 14: S312 (2005); https://doi.org/10.1088/0964-1726/14/5/021
  70. T.H. Nam, T. Saburi, and K. Shimizu, Mater. Trans., JIM, 31, No. 11: 959 (1990); https://doi.org/10.2320/matertrans1989.31.959
  71. E. Cesari, P. Ochin, R. Portier, V. Kolomytsev, Yu. Koval, A. Pasko, and V. Soolshenko, Mater. Sci. Eng. A, 273–275: 738 (1999); https://doi.org/10.1016/S0921-5093(99)00407-4
  72. L. Xiao, X.Q. Zhao, F.S. Liu, and H.B. Xu, Mater. Sci. Forum, 546–549: 2261 (2007); https://doi.org/10.4028/www.scientific.net/MSF.546-549.2261
  73. M. Wang, M. Jiang, G. Liao, S. Guo, and X. Zhao, Prog. Nat. Sci.: Mater. Int., 22, No. 2: 130 (2012); https://doi.org/10.1016/j.pnsc.2012.03.010
  74. K. Otsuka and X. Ren, Intermetallics, 7: 511 (1999); https://doi.org/10.1016/S0966-9795(98)00070-3
  75. W. Cai, A. Liu, J. Sui, and L. Zhao, Mater. Trans., 47, No. 3: 716 (2006); https://doi.org/10.2320/matertrans.47.716
  76. J.W. Xu, A.L. Liu, B.Y. Qian, and W. Cai, Adv. Mater. Res., 557–559: 1041 (2012); https://doi.org/10.4028/www.scientific.net/AMR.557-559.1041
  77. A.L. Liu, B.T. Wu, and M.Y. Gu, J. Mater. Sci., 42: 5736 (2007); https://doi.org/10.1007/s10853-006-0754-8
  78. K.V. Ramaiah, C.N. Saikrishna, Gouthama, and S.K. Bhaumik, Mater. Charact., 106: 36 (2015); https://doi.org/10.1016/j.matchar.2015.05.007
  79. Yu.V. Kudryavtsev and E.L. Semenova, Powder Metall. Met. Ceram., 48: 700 (2009); https://doi.org/10.1007/s11106-010-9188-6
  80. M.R. Daymond, M.L. Young, J.D. Almer, D.C. DunandK.N. Melton, and O. Mercier, Acta Metall., 55: 3929 (2007); https://doi.org/10.1016/j.actamat.2007.03.013
  81. F. Cuevas, M. Latroche, P. Ochin, A. Dezellus, J.F Fernández, C. Sánchez, and A. Percheron-Guégan, J. Alloys Compd., 330–332: 250 (2002); https://doi.org/10.1016/S0925-8388(01)01636-X
  82. C. Gong, F. Guo, and D. Yang, J. Alloys Compd., 426: 144 (2006); https://doi.org/10.1016/j.jallcom.2006.02.010
  83. Y. Tang, Y. Wan, Z. Wang, C. Zhang, J. Han, C. Hu, and C. Tang Mater. Des., 219: 110726 (2022); https://doi.org/10.1016/j.matdes.2022.110726
  84. M. Swamynathan, Mastering Machine Learning with Python in Six Steps. A Practical Implementation Guide to Predictive Data Analytics Using Python (Springer: 2017); https://doi.org/10.1007/978-1-4842-2866-1
  85. H. Abedi, M.J. Abdollahzadeh, T. Bush, O. Benafan, A. Qattawi, and M. Elahinia, Comput. Mater. Sci., 246: 113345 (2025); https://doi.org/10.1016/j.commatsci.2024.113345
  86. J.W. Xu, A.L. Liu, B.Y. Qian, and W. Cai, Adv. Mater. Res., 557–559: 10141 (2012); https://doi.org/10.4028/www.scientific.net/AMR.557-559.1041
  87. V.A. Tatarenko, T.M. Radchenko, A.Yu. Naumuk, and B.M. Mordyuk, Prog. Phys. Met., 25, No. 1: 3–26 (2024); https://doi.org/10.15407/ufm.25.01.003
  88. V.A. Tatarenko, T.M. Radchenko, A.Yu. Naumuk, and B.M. Mordyuk, Prog. Phys. Met., 26, No. 1: 3–25 (2025); https://doi.org/10.15407/ufm.26.01.003
  89. V.A. Tatarenko and T.M. Radchenko, Intermetallics, 11, Nos. 11–12: 1319–1326 (2003); https://doi.org/10.1016/S0966-9795(03)00174-2
  90. T.M. Radchenko, V.A. Tatarenko, H. Zapolsky, and D. Blavette. J. Alloys Compd., 452, No. 1: 122–126 (2008); https://doi.org/10.1016/j.jallcom.2006.12.149
  91. T.M. Radchenko, O.S. Gatsenko, V.V. Lizunov, and V.A. Tatarenko, Prog. Phys. Met., 21, No. 4: 580–618 (2020); https://doi.org/10.15407/ufm.21.04.580
  92. T.M. Radchenko, O.S. Gatsenko, V.V. Lizunov, and V.A. Tatarenko, Funda-mentals of Low-Dimensional Magnets (Eds. R.K. Gupta, S.R. Mishra, and T.A. Nguyen) (Boca Raton: Taylor & Francis, CRC Press: 2022), Ch. 18, p. 343–364; https://doi.org/10.1201/9781003197492-18
  93. V.N. Bugayev, V.G. Gavrilyuk, V.M. Nadutov, and V.A. Tatarenko, Fizika Metallov i Metallovedenie, 68, No. 5: 931 (1989) (in Russian).
  94. T.M. Radchenko, V.A. Tatarenko, and S.M. Bokoch, Metallofiz. Noveishie Tekhnol., 28, No. 12: 1699–1720 (2006).
  95. T.M. Radchenko and V.A. Tatarenko, Defect Diffus. Forum, 273–276: 525–530 (2008); https://doi.org/10.4028/www.scientific.net/DDF.273-276.525
  96. V.A. Tatarenko, S.M. Bokoch, V.M. Nadutov, T.M. Radchenko, and Y.B. Park, Defect Diffus. Forum, 280–281: 29–78 (2008); https://doi.org/10.4028/www.scientific.net/DDF.280-281.29
  97. L. Xiao, X.Q. Zhao, F.S. Liu, and H.B. Xu, Mater. Sci. Forum, 546–549: 2261 (2007); https://doi.org/10.4028/www.scientific.net/MSF.546-549.2261
  98. T.H. Nam, T. Saburi, Y. Nakata, and K. Shimizu, Materials Transactions, JIM, 31: 1050 (1990); https://doi.org/10.2320/matertrans1989.31.1050
  99. B. Strnadel, S. Ohashi, H. Ohtsuka, T. Ishihara, and S. Miyazaki, Mater. Sci. Eng. A, 202: 148 (1995); https://doi.org/10.1016/0921-5093(95)09801-1
  100. D. Chicco, M.J. Warrens, and G. Jurman, PeerJ Comput. Sci., 7: e623 (2021); https://doi.org/10.7717/peerj-cs.623
  101. D.W. Marquardt and R.D. Snee, Am. Stat., 29, No. 1: 3 (1975); https://doi.org/10.1080/00031305.1975.10479105
  102. F. Zhou, Data Sci. Finance Econ., 1, No. 1: 1 (2021); https://doi.org/10.3934/DSFE.2021001
  103. C. Liu and H. Su, Mater. Today Commun., 41: 110720 (2024); https://doi.org/10.1016/j.mtcomm.2024.110720
  104. S.E. Saghaian, M. Hemmati, S.M. Hasan, and O. Benafan, Int. J. Adv. Manuf. Tech., 13: 6393 (2026); https://doi.org/10.1007/s00170-026-17567-y
  105. X. Tian, Y. Pan, J. Li, X. Tong, H. Li, W. Zhao, H. Zhang, and C. Tan, J. Alloys Compd., 1020: 179334 (2025); https://doi.org/10.1016/j.jallcom.2025.179334
  106. L. Thiercelin, L. Peltier, and F. Meraghni, Computational Materials Science, 231: 112578 (2024); https://doi.org/10.1016/j.commatsci.2023.112578
  107. S.H. Zadeh, T.D. Brown, X. Qian, I. Karaman, and R. Arroyave, Acta Materialia, 289: 120861 (2025); https://doi.org/10.1016/j.actamat.2025.120861

Ліцензія Creative Commons
Цю статтю ліцензовано на умовах Ліцензії Creative Commons із зазначенням авторства — без похідних 4.0 Міжнародна
© Інститут металофізики ім. Г. В. Курдюмова НАН України,