CC BY
7
УДК 621.793.1 (620.18 + 620.178.15)
Покрытия DLC, стабилизированные азотом: оптимизация свойств и режимов нанесения с использованием алгоритмов рандомизированных деревьев и нейронных сетей
1 12 2 А.И. Воропаев , В.И. Колесников , О.В. Кудряков , В.Н. Варавка ,
И.В. Колесников1, М.С. Лифарь1,3, С.А. Гуда1,3, А.А. Гуда1,3, А.В. Сидашов1
1 Ростовский государственный университет путей сообщения, Ростов-на-Дону, 344038, Россия 2 Донской государственный технический университет, Ростов-на-Дону, 344000, Россия 3 Южный федеральный университет, Ростов-на-Дону, 344090, Россия
Основным целевым направлением исследований работы является прогнозируемое управление процессом получения вакуумных ионно-плазменных покрытий. Многопараметричность технологии и неустойчивость неравновесной ионно-плазменной системы создают серьезные препятствия для выхода перспективных многокомпонентных функциональных покрытий к широким промышленным горизонтам. В работе реализован один из путей решения этой проблемы, который включает: создание базы данных углеродных алмазоподобных покрытий (DLC), на ее основе выделение ограниченного числа вариативных управляющих параметров технологии, установление зависимостей их влияния на свойства покрытий, анализ этих зависимостей с использованием статистических методов и современных нейросетевых алгоритмов и на основе полученных результатов решение задачи прогнозируемого формирования заданных свойств покрытий. Объектом исследований являются покрытия DLC, оригинальность которых состоит в стабилизации их структуры азотом вместо традиционного водорода. База экспериментальных данных покрытий DLC, созданная на основе предшествующих исследований авторов, включает характеристики структуры, морфологии и архитектуры покрытий, различные типы подложек и подслоя, физико-механические и трибологические свойства, а также многочисленные вариации технологических параметров нанесения покрытий. В статье представлен конкретный методический пример решения научно-прикладной задачи: выявление зависимостей влияния таких параметров нанесения, как давление в рабочей камере Р, количество вводимого стабилизатора (% азота), мощность ионного потока (ток катушек X) и время нанесения t, на твердость Н и модуль упругости Е покрытий с последующей оптимизацией режима нанесения для прогнозируемого получения заданного уровня прочностных свойств формируемого углеродного покрытия. Для процедуры оптимизации использованы как классические статистические методы, так и современные алгоритмы гребневой регрессии Ridge, рандомизированных деревьев ExtraTrees и полносвязной нейронной сети (многослойный перцептрон MLP).
Ключевые слова: ионно-плазменная технология, параметры нанесения покрытий, покрытия DLC, микроструктура, сканирующая электронная микроскопия, рентгеновская фотоэлектронная спектроскопия, индентирование, физико-механические свойства покрытий, база данных, нейросетевые алгоритмы
DOI 10.55652/1683-805X_2024_27_2_16-32
Nitrogen-stabilized DLC coatings: Optimization of properties and deposition
parameters using randomized tree and neural network algorithms
A.I. Voropaev1, V.I. Kolesnikov1, O.V. Kudryakov2, V.N. Varavka2, I.V. Kolesnikov1, M.S. Lifar1,3, S.A. Guda1,3, A.A. Guda1,3, and A.V. Sidashov1
1 Rostov State Transport University, Rostov-on-Don, 344038, Russia 2 Don State Technical University, Rostov-on-Don, 344000, Russia 3 Southern Federal University, Rostov-on-Don, 344090, Russia
This work discusses the predictable control of coating deposition by vacuum ion plasma technology. The multiple technological parameters and the instability of the nonequilibrium ion plasma system create substantial obstacles to the wide industrial application of promising multicomponent functional coatings. Here we propose a solution to this problem, which includes: creation of a database of diamond-like carbon coatings (DLC) in order to identify a limited number of adjustable control parameters of the technology, determination of how these parameters affect the coating properties, analysis of the revealed effects using statistical methods and neural network algorithms, and use of the results for the predictable tuning of specified coating properties. The object of research is original DLC coatings whose structure is stabilized with nitrogen instead of conventionally used hydrogen. The experimental database of DLC coatings is created based on our previous studies and includes structural, morphological and architectural characteristics of coatings, various types of substrates and sublayers, physical, mechanical and tribological properties, and various combinations of coating deposition parameters. A specific problem is solved to determine the influence of deposition parameters such as chamber pressure P, stabilizer content (% nitrogen), ion flow rate (coil current X) and deposition time t on hardness H and elastic modulus E of coatings. Based on the results obtained, the deposition parameters are optimized so as to obtain predictable strength values of the formed carbon coating. The optimization procedure is developed using both classical statistical methods and modern algorithms of ridge regression, randomized trees (ExtraTrees), and a fully connected neural network (multilayer perceptron MLP).
Keywords: ion plasma technology, coating deposition parameters, DLC coatings, microstructure, scanning electron microscopy, X-ray photoelectron spectroscopy, indentation, physical and mechanical properties of coatings, database, neural network algorithms
© Воропаев А.И., Колесников В.И., Кудряков О.В., Варавка В.Н., Колесников И.В., Лифарь М.С., Гуда С. А., Гуда А.А., Сидашов А.В., 2024
1. Введение и постановка задачи
Несмотря на достаточно давнюю свою историю (см. [1-7] и др.), технология вакуумного ион-но-плазменного нанесения покрытий с большим трудом завоевывает сферы промышленного использования, к которым в настоящее время могут быть отнесены инструментальное производство, микроэлектроника, оптика, медицина, а также, весьма ограниченно, машиностроение, теплоэнергетика (турбинные лопатки, запорная арматура и т.п.) и сфера декоративного дизайна («золотые» покрытия нитрида титана). Основная проблема, с которой сталкиваются ученые и инженеры на стадии трансфера технологии, заключается в муль-типараметричности процесса [7, 8]. Разнообразие вакуумных систем, методов испарения и осаждения покрытий, а также многообразие модификаций ионно-плазменных установок формируют весьма разветвленную систему параметров, от каждого из которых зависит конечный результат — состав, структура и свойства покрытия. В самом общем виде совокупность параметров может быть разбита на группы: к входным параметрам относятся группы технологических параметров и параметров подложки; к выходным параметрам — группа параметров покрытия. К первой, наиболее многочисленной группе технологических параметров, например, при дуговом испарении относятся такие характеристики, как количество и качество катодов, ток и напряжение дуги, рабочее давление в камере, скорость осаждения покрытия, напряжение смещения, угол напыления, наличие или отсутствие магнитной сепарации и другие. При магнетронном испарении параметры несколько другие, но их не становится меньше. Среди параметров подложки необходимо учитывать состав подложки, качество ее поверхности (шероховатость, химическая чистота, наличие напряжений и т.д.), структурно-фазовое состояние, механические характеристики, температуру и ее дрейф в процессе осаждения. Группа выходных параметров определяется функциональным назначением покрытия, и она также может быть весьма многочисленной. Среди параметров этой группы обязательно присутствуют элементный состав, параметры структурно-фазового состояния (количество, дисперсность и морфология фаз, структурный тип покрытия в соответствии с диаграммой Мовчана-Демчишина-Торнтона [9, 10]), архитектура покрытия (2Б- или 3Б-морфология, одно- или многослойная), а также комплекс свойств, определяемый условиями
использования покрытия. В итоге общее количество дескрипторов, участвующих в программируемой инсталляции покрытия, может составлять 20-40 значений параметров. В этой ситуации надежды исследователей на решение задачи прогнозируемого синтеза ионно-плазменных покрытий связываются с применением алгоритмов машинного обучения и с использованием нейросе-тевых технологий, для апробации которых необходимо создание баз данных. Осознание необходимости этого пути в области формирования вакуумных ионно-плазменных покрытий появилось не так давно и было обусловлено успехами на поприще использования возможностей искусственного интеллекта. Одной из первых была сформирована база данных как раз для алмазоподобных покрытий (БЬС) [11], в которую были включены результаты около 80 исследователей, опубликованные в более чем 100 статьях. База данных, которая постоянно обновляется, содержит в настоящий момент данные для более чем 800 покрытий, которые включают 25 типов покрытий БЬС (а-С:Н, а-С, Сг-БЬС (а-С:Сг), И-БЬС (Т1-С:Н) и др.) и 16 типов методов их осаждения. Поскольку покрытия, включенные в эту базу данных, имеют трибологическое назначение, то авторы сгруппировали покрытия еще и по 55 типам контртел системы трения и по 9 методам трибоиспытаний. Однако поиск оптимальных комбинаций дескрипторов для каждого набора данных, в том числе и с использованием приведенной базы данных, делает только первые осторожные шаги [12-14].
Проблема точности прогноза свойств ионно-плазменных покрытий осложняется еще и тем обстоятельством, что плазма представляет собой неравновесное состояние вещества, подверженное переходам из одного неустойчивого состояния в другое под воздействием флуктуирующих параметров. Система прогнозирования таких переходов еще не разработана. Поэтому часто даже при нанесении покрытий по одной и той же технологии, на одном и том же оборудовании, при фиксации максимального количества параметров полученные значения имеют существенный разброс, что снижает эффективность применения алгоритмов машинного предсказания. Например, неоднородность испаряемого материала способствует неустойчивости плазменного разряда и, как следствие, ведет к неоднородности ионного потока. Так, использованные нами в работе порошковые спеченные графитовые катоды содержат поры, межчастичные зоны сращивания, различную кри-
сталлографическую ориентацию порошковых частиц. При лазерном испарении графита все эти неоднородности как раз и представляют собой флуктуирующие (случайные) параметры, влияние которых отражается на ионном потоке при осаждении углеродного покрытия БЬС [15, 16].
Таким образом, прогнозируемое управление процессом получения вакуумных ионно-плазмен-ных покрытий представляет собой серьезную проблему в современной инженерии поверхности. Одним из путей к решению этой проблемы является установление универсальных зависимостей (хотя бы эмпирического характера) между группой вариативных технологических параметров и свойствами покрытия, которые помогут сократить общее число управляющих параметров и снизить влияние флуктуационного фактора в технологии нанесения покрытий. Создание базы достоверных экспериментальных данных, ее анализ на основе использования нейросетевых алгоритмов и поиск таких зависимостей для алмазопо-добных углеродных покрытий составляет основную цель настоящей работы.
2. Материалы и методы исследования
В качестве подложек в работе были использованы полированные (не ниже 10 класса чистоты с Яа < 0.12 мкм и Я, < 0.6 мкм по ГОСТ 2789-73) пластинчатые образцы с размерами 50 х 30 х 5 мм из широко распространенной в машиностроении конструкционной низколегированной улучшаемой стали 40ХН2МА с сорбитной структурой (после закалки и высокого отпуска 600 °С). Целесообразность выбора материала подложки обусловлена прикладным аспектом перспективного использования БЬС-покрытий в машиностроительных нагруженных узлах трения [17-19], контактные поверхности которых часто изготавливаются из этой стали. Физико-механические характеристики образцов-подложек из стали 40ХН2МА после закалки и высокого отпуска составляют: Н=2.5 ГПа, Е= 200 ГПа, Н/Е=0.0125, Н 3/Е2 = 0.00039 ГПа.
По сравнению с аналогичными физико-механическими характеристиками алмазоподобных покрытий, использованные в работе образцы представляют собой «мягкую» (пластичную) подложку. Существенная разница в свойствах может негативно сказываться на адгезии покрытий, поэтому в работе исследованы также варианты БЬС-покрытий с подслоем Т или ТК
Нанесение ионно-плазменных углеродных покрытий осуществлялось на вакуумной установ-
ке БЯУ600 (производитель ООО «БелРосВак», г. Минск, Беларусь), в которой реализуется как трехкатодное дуговое испарение металлических материалов с магнитной сепарацией, так и магне-тронное испарение мишеней различного состава. Установка оснащена мощным ионным источником, а также специализированным блоком для напыления углеродных покрытий путем лазерного испарения графита.
Перед стадией нанесения покрытия поверхность образцов подвергалась ионному травлению, которое проводилось с помощью встроенного ионного источника ионами Лг при давлении в камере ~0.7 Па, температуре ~400 °С и напряжении смещения 1000 В в течение 5 мин. Поскольку система изначально является многопараметрической, в целях сокращения объема экспериментов, обеспечения воспроизводимости экспериментальных результатов, возможности более точного анализа полученных результатов часть параметров должна быть фиксированной. В процессе отработки рабочих режимов установки БЯУ600 в качестве фиксированных параметров стадии нанесения покрытия были приняты характеристики углеродного блока установки, которые оставались неизменными в ходе всех выполненных экспериментальных работ:
- источник испарения графита — лазер (без усилителя) с задержкой Qsw = 350 мкс;
- напряжение разрядника 300 В;
- частота лазера 10 Гц;
- энергия лазерного излучения 600-700 мДж;
- скорость сканирования катода (скорость перемещения степпера) 1 мм/с;
- лазерное сканирование выполнялось по торцевой поверхности катода, вращающегося вокруг оси цилиндра со скоростью 1 об/мин;
- использовались цилиндрические катоды из порошкового графита ВП-6.
В качестве варьируемых параметров, которые определяют диапазон измеряемых и оптимизируемых свойств покрытия, выбраны:
- давление в рабочей камере Р = 0.011-0.31 Па;
- ток индукционных катушек (соленоидов)1 X = 1-5 А;
1 На установке БЯУ600 установлено пять соленоидов (индукционных катушек): соленоиды 1-3 используются при нанесении металлокерамических покрытий в основной камере; соленоиды 4, 5 применяются при получении углеродных покрытий, при этом величина тока катушек регулирует интенсивность потока осаждаемого углерода.
Таблица 1. Экспериментальные соотношения между значениями параметров %М и Рм установки ВЯУ600
%м, % О 1 2 3 4 5 6 7 8 9 10
Рм, Па О.ООО34 О.ОО56 О.О13 0.021 0.031 0.041 0.053 0.066 0.078 0.092 0.11
%м, % 11 12 13 14 15 16 17 18 19 20
Рм, Па 0.12 0.14 0.15 0.17 0.19 0.20 0.22 0.23 0.25 0.27
- величина подачи азота в камеру %М = 1-5 (определяется в % по регулятору подачи газа на установке);
- время нанесения покрытия t = 10-35 мин.
Отдельного внимания заслуживает параметр
%М. Азот использовался в настоящей работе для стабилизации структуры покрытий БЬС взамен взрывоопасного водорода (об этом см. далее). Обычно использование рабочих газов (Лг, Н2, N2, С2Н2, СН4 и др.) в вакуумных технологиях характеризуется величиной парциального давления (для азота Рм). Однако в технологической практике, в частности, при использовании установки ВЯУ600, подача рабочего газа в камеру осуществляется с помощью регуляторов, которые откалиброваны в процентах открытия задвижки (для азота %М). Такой технологический параметр удобен на практике и в экспериментах (например, по причине плавной регулировки при малых значениях %М). Поэтому при проведении экспериментов и формировании базы данных для характеристики количества азота в рабочей камере при формировании покрытий был использован параметр %М. Нелинейное соответствие между параметрами %М и Рм, полученное на основе эмпирических данных установки ВЯУбОО, приведено в табл. 1. При необходимости оно может быть использовано для транскрипции полученных в настоящей работе результатов в зависимости параметра Рм.
Одной из неудобных особенностей углеродных покрытий является то, что в покрытиях тет-
раэдрического аморфного углерода (1а-С) с содержанием Бр3-связей свыше 7О % при толщине, превышающей ~5ОО нм, начинается самопроизвольное образование трещин. Для увеличения толщины покрытий, которое часто требуется при их прикладном использовании, применяется стабилизация покрытий водородом. Для получения таких покрытий (1а-С:Н) в качестве рабочих газов обычно используются ацетилен С2Н2 или метан СН4. Эта технология при всех ее преимуществах обладает повышенной пожаро- и взрывоопаснос-тью. В связи с этим в настоящей работе при нанесении покрытий БЬС был апробирован вариант стабилизации покрытий с помощью азота, который использовался в качестве рабочего газа вместо взрывоопасных углеродсодержащих газов. Содержание азота-стабилизатора в покрытии фактически контролируется параметром %м.
В исследованиях углеродных покрытий азот применяется в качестве легирующего компонента для формирования, например, аморфных покрытий нитрида углерода типа а-С^ [2О, 21]. Отличия в строении аморфного углерода с содержанием Бр3-связей не более 3О-5О % (а-С) и аморфного нитрида углерода (а-С^) продемонстрированы на рис. 1. В случае пленок а-С^ атомы азота изменяют структуру углеродных пленок, увеличивая число фононных мод, доступных для возбуждения [22]. Считается, что пленки а-С№ обладают «фул-лереноподобной» микроструктурой с изогнутыми и пересекающимися базисными плоскостями.
Рис. 1. Схематическое изображение атомного строения углеродных покрытий а-С (а) и а-С^ (б)
Здесь следует отметить, что инструментальное определение такой микроструктуры весьма проблематично и может быть доступно выполнено, пожалуй, только с помощью расчетных методов молекулярной динамики.
Основной объем исследования покрытий был выполнен с использованием методик сканирующей электронной микроскопии, микрорентгено-спектрального (энергодисперсионного) анализа, рентгеновской фотоэлектронной спектроскопии, а также с определением физико-механических характеристик образцов методом непрерывного ин-дентирования.
Микроструктура, состояние поверхности и тонкое строение покрытий изучалось методами растровой электронной микроскопии (РЭМ, SEM) с использованием двулучевой установки ZEISS Crossbeam 340, которая сочетает электронно-микроскопическое исследование высокого разрешения (до 2 нм) с возможностью травления и подготовки кросс-секций на поверхности изучаемого образца непосредственно в вакуумной камере микроскопа путем использования ионного пучка (FIB), что обеспечивает возможность глубокого исследования любого рода поверхностей на уровне наноструктуры. Линейная оценка толщины слоев, размеров включений и фазовых составляющих структуры, пор и т. д. выполнена с использованием ПО AZtec, установленного на электронном микроскопе.
Химический состав покрытий определялся с помощью энергодисперсионного рентгеновского детектора (EDAX) модели X-Max 50N (Oxford Instruments), которым оснащен электронный микроскоп ZEISS Crossbeam 340.
Для повышения точности данных изучения элементного и фазового состава поверхности, тонких поверхностных слоев, пленок и покрытий были выполнены экспериментальные исследования с помощью системы анализа поверхности SPECS (Германия) методом рентгеновской фотоэлектронной спектроскопии (РФЭС). В качестве возбуждающего излучения была выбрана AlKa — рентгеновская монохроматизированная линия с энергией 1486.6 эВ. Энергетическое разрешение анализатора при постоянной энергии пропускания составило 0.45 эВ на линии Ag3d3/2. Вакуум при съемке спектров поддерживался на уровне 1 • 1010 мбар. Погрешность измерения энергии связи и ширины электронных линий на полувысоте (ПШПВ) составляла ±0.1 эВ, а при измерении относительных интенсивностей — ±10 %.
С поверхности изучаемых образцов были записаны обзорные спектры. По обзорным спектрам был исследован качественный и количественный состав поверхности. Кроме этого, по спектрам были определены электронные линии тех химических элементов, находящихся на поверхности, по которым возможно эффективное определение химической связи, в которой участвует тот или иной элемент. Это позволяет судить о том, в состав какой фазы входит этот элемент. В системе анализа поверхности установки SPECS имеется возможность с помощью ионной пушки распылять поверхность и снимать спектры на каждой глубине. Специальная, встроенная в SPECS, программа для разложения и обработки экспериментальных спектров позволяет разложить экспериментальные спектры на составляющие (компоненты), каждая из которых соответствует определенной химической связи. Большое значение имеют как статистика эксперимента, позволяющая получать гладкие кривые, так и шаг сканирования. Спектры в большинстве случаев получали с шагом сканирования 0.1 эВ и максимальным числом импульсов до ста тысяч. Неопределенность в профиле спектральной линии в этом случае достигает порядка ~0.3 %, а относительная погрешность (отношение интенсивности двух линий) — не больше 2-3 %. Таким образом, метод РФЭС позволяет с большой точностью экспериментально установить изменения содержания элемента и его химических связей по глубине тонкого слоя, пленки или покрытия.
Для исследования физико-механических свойств образцов в нано- и микромасштабе применялась измерительная платформа Nanotest 600. По методу непрерывного индентирования [23] определяли модуль упругости Е и твердость Н. При измерениях в микродиапазоне (нагрузка менее 2Н глубина отпечатка более 0.2 мкм) применялся четырехгранный индентор Виккерса, для работы в нанодиапазоне (глубина отпечатка не более 0.2 мкм) — трехгранный индентор Берковича. Условия испытаний и обработка полученных данных осуществлялась в соответствии с ГОСТ 8.748-2011 [24]. Измерения проводились на 37 однотипных образцах. Отпечатки размещались в каждой из трех различных, удаленных друг от друга, случайно выбранных на поверхности каждого образца зон позиционирования оптической системы платформы Nanotest 600. В пределах каждой зоны инденты размещались равномерно, с минимально возможной плотностью. При статис-
тической обработке результатов измерений учитывалось не менее 10 значений индентов в каждой зоне позиционирования. При этом общее количество индентов в каждой зоне было различным и зависело от качества поверхности покрытия, поскольку отпечатки, попавшие на поверхностные дефекты или значительные неровности рельефа, при статистической обработке данных не учитывались. В статье приводятся средние значения измеренных величин с учетом рекомендаций статистической обработки данных по ГОСТ Р 50779.25-2005 и ГОСТ Р ИСО 16269-42017 [25, 26]. Помимо структурно зависимой твердости Н и структурно независимого модуля упругости Е, определяемых методом индентирования, для характеристики металлических материалов часто используются соотношения Н/Е и Н3/Е2. Первое из них определяет сопротивление упругой деформации, а также часто приводится в качестве косвенного показателя уровня, например, триболо-гических свойств — чем выше Н/Е, тем выше износостойкость при трении [27; 28, с. 608]. Соотношение Н 3/Е2 определяет сопротивление материала пластической деформации [29, с. 134].
С использованием приведенных методик исследования на основе варьирования указанных выше технологических параметров нанесения была сформирована база собственных экспериментальных данных покрытий БЬС. Ее принципиальными отличиями являются: 1) применение лазерного способа испарения графита в отличие от упоминавшейся базы данных [11] с преимущественно магнетронным испарением; 2) использование подслоев различного состава; 3) своеобразие подложки, которая, в отличие часто используемых с чисто исследовательскими целями или аустенитной коррозионностойкой стали типа 08Х18Н10Т, имеет промышленное назначение. Результаты анализа и обработки сформированной базы данных представлены в последующих разделах работы.
3. Результаты и их обсуждение
3.1. Состав и строение покрытий
Типичная структура исследованных покрытий БЬС приведена на рис. 2. Углеродные покрытия представляли собой монослой толщиной 0.61.4 мкм. В целом они характеризуются высокой плотностью и однородностью структуры. В некоторых случаях по сечению покрытий различима слабо выраженная слоистость (рис. 2, а-в). Ее
причиной могут быть диффузионные процессы в приграничных зонах «подложка - покрытие» и «покрытие - среда». Однако более глубоко причины появления слоистости не исследовались. При формировании базы данных покрытий БЬС были апробированы различные варианты подслоя (рис. 2, г-з). Использование подслоя имело, главным образом, трибологическое назначение, направленное на снижение напряжений на межфазной границе «подложка - покрытие». Однако в настоящей статье трибологический аспект использования покрытий не рассматривается.
Электронно-микроскопическое исследование показывает высокую плотность прилегания покрытия к подложке. Граница между ними не обнаруживает какой-либо дефектности или следов деформации, что качественно может характеризоваться как удовлетворительная адгезия. При форсированных режимах нанесения в подслое наблюдалась пористость (рис. 2, д, е), особенно значительная в зоне, прилегающей к подложке. Однако, судя по полученным микроснимкам, наличие пористости в подслое не сказывалось на плотности прилегания и морфологии границ «подслой -подложка» и «подслой - покрытие».
На всех микроснимках, приведенных на рис. 2, образцы наклонены в сторону наблюдателя на угол 15°-28° для демонстрации состояния поверхности покрытий. На поверхности покрытия встречается незначительное количество единичных артефактов и следов капельных дефектов, находящихся в стадии «залечивания» [30] — постепенного сглаживания впадин рельефа в результате осаждения новых атомных слоев покрытия. В целом качество поверхности удовлетворительное, не оказывающее влияния на измерение физико-механических или трибологических свойств покрытий. Типичное распределение химических элементов в полученных углеродных покрытиях показано на рис. 3.
Физический смысл использования азота в покрытии БЬС, содержание которого регулируется параметром %м, состоит в стабилизации углеродного слоя. Роль азота аналогична применению водорода при нанесении БЬС-покрытий и направлена на замену взрывоопасного водорода в этой ионно-плазменной технологии. Использование стабилизаторов не должно приводить к образованию новых фаз в покрытии, а призвано модифицировать пространственное распределение атомов углерода (рис. 1). В связи с этим необходимо отметить, что в полученных покрытиях при элек-
Рис. 2. Строение покрытий DLC, стабилизированных азотом, в поперечном сечении (РЭМ, кросс-секции FIB): а-в — углеродные покрытия различной толщины без подслоя; г-е — углеродные покрытия с подслоем Ti различной толщины; ж, з — углеродное покрытие с подслоем TiN
тронно-микроскопическом исследовании появление новых фаз не зафиксировано. Применение азота в качестве стабилизатора позволило также получать покрытия, толщиной значительно боль-
ше критической толщины чисто углеродных покрытий 1а-С, составляющей ~500 нм. При большей толщине покрытия 1а-С формирующееся в нем напряженно-деформированное состояние приводит к
N Ат. (%)
£ 10:
•5 0 1
..........1 ' .................................... 1 1 ' ..........Г ..... 0.3 0.6 0.9 1.2 1.5 1.8 2.1 24 2.7 .........
С Ат. (%)
? 6°1 5 40 н 20—1 0 ¡ 1
Э 03 0.6 0.9 1.2 1.5 1.8 2.1 2,4 2.7 Í
Ti Ат. (%)
£? 18 6- (__
Г"".............Г ..........................1................................................. 03 0.6 0.9 1.2 1.5 1.8 2.1 24 2.7 ......... щ щ
gjVWLÍMAi
03 0.6 0.9 1.2 1.5 1.8 2.1 2,4 2.7 3
'"I...................I.........I.........I.........I.........I......',,Г,,||""1"
0.6 0,9 1.2 1.5 1.8 2.1 2.4 2.7 3
Рис. 3. Распределение элементов по глубине покрытия БЬС, стабилизированного азотом, с подслоем Т1; данные ББЛХ — распределение вдоль секущей (линии 2, перпендикулярной к поверхности) по направлению от подложки к поверхности слоя БЬС (цветной в онлайн-версии)
самопроизвольному зарождению хрупких трещин и скалыванию покрытия [31, 32].
Методом РФЭС проведен качественный анализ покрытий каждого образца. Были получены обзорные спектры, один из которых приведен на рис. 4, а. По обзорным спектрам были выбраны энергетические диапазоны для записи ls-линий углерода, кислорода, азота, натрия, 2р-линий хлора и серы (их наличие на поверхности связано с загрязнением в процессе подготовки образцов для исследования). Диапазон кинетической энергии 230-301 эВ был выбран для регистрации C (KVV) оже-электронных спектров углерода (рис. 4, б). Спектральный фон при проведении количественного анализа для РФЭ-спектров, обусловленный упруго рассеянными электронами, вычитался методом Ширли с использованием программного обеспечения Casa XPS SPECS. Сводные данные РФЭС-анализа химического состава поверхности исследованных образцов с покрытиями DLC приведены в табл. 2.
Определение долей электронных конфигураций углерода sp2/sp3 производилось по C (KVV) оже-электронным спектрам рис. 4. Для получения данных о долях sp2 и sp3 конфигураций в синтезированных пленках возбужденные рентгеновским
Рис. 4. Обзорный РФЭ-спектр, полученный с поверхности углеродного покрытия БЬС (а), и дифференциальный спектр С (КУУ) для оценки долей фракций Бр2 и Бр3 углерода в покрытии (б)
Таблица 2. Результаты количественного анализа химического состава и электронных конфигураций углеродных покрытий, выполненного методом РФЭС
Характеристики покрытий Элементный состав поверхности покрытия, ат. % Содержание фракции, доли
O 1s C 1s N 1s Na 1s Cl 2p S 2p 2 sp2 sp3
Покрытие с обзорным спектром (рис. 4) 6.3 78 15 0.36 0.34 0.28 0.72
Обобщенные результаты по базе данных 5.6-12.0 72.2-92.4 2.0-16.5 0.1-0.7 0.2-0.4 0.5-0.8 0.1 0.9
излучением С (КУУ) оже-электронные спектры использовались наряду с С18-рентгеновскими фотоэлектронными спектрами. Для количественных оценок в качестве исходных базисных спектров брались С (КУУ) оже-спектры графита, в которых содержание фракции 8р2 = 1, и алмаза, где содержание фракции 8р2 = 0, которые обычно используются для идентификации формы гибридизации атомов углерода [33-36]. Расстояние между максимумом и минимумом в дифференциальном спектре С (КУУ), отмеченное на рис. 4, б, соответствует содержанию доли фракции 8р3 около 70 %. Соотношение с различным относительным присутствием 8р2 и 8р3 фаз, получено с помощью уравнения 8р2/8р3 = х/(1 - х), для доли х фазы 8р2, меняющейся от 0 (алмаз) до 1 (графит) [30].
Полученные результаты (табл. 2) свидетельствуют о том, что синтезированные на образцах из стали 40ХН2МА углеродные покрытия в соответствии с современными представлениями могут быть классифицированы как БЬС и отнесены к типу 1а-С:К — тетраэдрическому аморфному углероду, модифицированному азотом. На это указывает наличие азота в покрытии (2.0-16.5 %), который по данным РФЭС не обнаруживает связей, характерных для химических соединений, и высокая доля алмазной электронной конфигурации углерода 8р3, превышающая 70 % во всех исследованных покрытиях.
3.2. Влияние параметров нанесения на физико-механические свойства покрытий
Сформированная база экспериментальных данных по углеродным покрытиям БЬС была использована в качестве основного источника информации для построения зависимостей измеренных физико-механических характеристик покрытий от технологических параметров их нанесения, а также для реализации процедур машинного обучения и нейросетевых алгоритмов, результаты
которои представлены в следующем разделе работы.
В качестве физико-механических характеристик рассматриваются значения модуля упругости Е и твердости Н, определяемые методом непрерывного индентирования в соответствии с методиками измерения и имеющимся оборудованием [23-26]. К группе физико-механических своИств также отнесены расчетные значения отношении Н/Е и Н 3/Е2, которые определяют сопротивление покрытиИ упругой и пластическоИ деформации соответственно [24-26]. Однако работа с базой данных показала, что при достаточно большой выборке данных указанные отношения практически повторяют зависимости наиболее нестабильного компонента отношения, которым для ионно-плазменных покрытиИ является твердость Н. Поэтому в настоящей работе зависимости отношений Н/Е и Н 3/Е2 от вариативных технологических параметров нанесения (Р, X, %N, t — см. раздел 2) не приводятся, т.к. качественный характер их изменения идентичен зависимостям твердости.
Полученные в результате статистической обработки однопараметрические зависимости влияния тока катушек X, характеризующего объемную плотность мощности ионного потока осаждаемого углерода, и величины подачи азота в камеру %N на физико-механические свойства покрытий Е и Н представлены на рис. 5 и 6. Вариации параметров нанесения имели дискретный характер, поэтому на рис. 5 среднестатистические значения твердости Н, соответствующие каждому фиксированному значению параметров X и %N, отмечены точками. Кроме зависимости среднестатистических значений H (Medium), на графиках рис. 5, а, б приведены интервалы разброса значений H (Maximum-Minimum), наблюдавшиеся по базе данных в целом.
Полученная зависимость H=f(%N) имеет достаточно сложный характер. Она может быть ап-
Рис. 5. Экспериментальные зависимости изменения твердости Н углеродных покрытий от параметров нанесения: а — количества азота в камере %N (% использования регулятора подачи); б, в — тока катушек соленоидов X: экспериментальная (б) и аппроксима-ционная кривая (в) (цветной в онлайн-версии)
проксимирована полиномом третьей степени. Однако точность такой аппроксимации неудовлетворительна — среднеквадратичная ошибка
Рис. 6. Аппроксимационные зависимости изменения модуля упругости Е углеродных покрытий от параметров нанесения: а — количества азота в камере %N (% использования регулятора подачи); б — давления Р в рабочей камере; в — тока катушек соленоидов X
(СКО) составляет 13.26 ГПа и выше (т.е. превышает 50 %). Поэтому график аппроксимационной кривой для этой зависимости не строился. Однако зависимость Н =/(%N) на рис. 5, а весьма показательна и без аппроксимации. График Н = /(%^) четко определяет интервал оптимальных значений параметра %N, который составляет N = 5-8 %.
Графики зависимостей Н = /(Р) и Н = /(¿) в настоящем разделе статьи не приводятся в силу своей весьма простой геометрии с ясным физичес-
ким смыслом. Зависимость Н =/(Р) практически линейно возрастает по мере улучшения вакуума, что соответствует физическому смыслу вакуумного ионно-плазменного напыления: чем меньше давление в рабочей камере, тем меньше помех для иного потока в процессе осаждения покрытия. При введении азота в рабочую камеру вакуумной установки линейность этой зависимости нарушается, поскольку азотная стабилизация углеродного покрытия (параметр °/а№) оказывает более сильное и нелинейное влияние на твердость Н покрытия (рис. 5, а). Время напыления ^ оказывает прямо пропорциональное линейное влияние на толщину покрытия, а на твердость Н покрытия практически не влияет. Зависимость Н =/(?) практически остается константой во всем интервале изменения параметра ^ = 10-35 мин (при соблюдении корректной методики индентирования, нагрузка которого должна корректироваться в зависимости от толщины покрытия в соответствии с
[24]).
Из полученных зависимостей твердости по методу наименьших квадратов (МНК) с удовлетворительной точностью аппроксимируется лишь график Н =/(X) (рис. 5, б). Полином третьей степени (1) описывает экспериментальную зависимость Н =/(X) со значением СКО = 1.68 ГПа (рис. 5, в):
Н(А) := 24.3235 -17.3861А + 8.29617А2 -0.9285882А3. (1)
Поскольку ток катушек соленоидов X определяет объемную плотность мощности ионного потока осаждаемого углерода, значения X не могут быть слишком малыми или слишком большими. При малых значениях X покрытие либо формируется неплотным, либо осаждается слишком медленно. При больших значениях X происходит ионное травление подложки. Поэтому на рис. 5, б, в приведен интервал только рабочих значений X. В пределах всего этого интервала обеспечивается достаточно высокая твердость покрытий БЬС, а к наиболее оптимальным его значениям следует отнести X = 3.0-3.8 А.
В отличие от зависимостей твердости, полученные экспериментальные зависимости модуля упругости Е от всех трех вариативных параметров Е =/(%Л/), Е =/(Р) и Е /X) по МНК аппроксимируются полиномом третьей степени с достаточной степенью точности (СКО%дг = 19.36 ГПа, СКОр = 0.0933 ГПа, СКОХ = 9.15 ГПа). Поэтому на рис. 6 приведены графики уже аппроксимированных экспериментальных кривых, построенных по
соответствующим полиномиальным функциям
(2)-(4):
Е(%Ы) := 179.42 + 25.656%^ - 2.4962% N2 + 0.06209% N3, (2)
Е(Р) := 255.088 -568.477Р + 2027.6312Р2 - 2751.2627Р3, (3)
Е(А) := 268.94 - 30.715А +11.4374А2 - 0.69053А3. (4)
Экспериментальные результаты рис. 5 и 6, полученные на основе анализа и статистической обработки базы данных, демонстрируют следующие тенденции:
1) характер зависимостей Н и Е от каждого из вариативных параметров %N, Р и X совершенно различный;
2) каждый параметр %N, Р и X изменяет Н и Е схожим образом, т.е. качественно зависимости, например Н = /(%М) и Е = /(%М), практически идентичны.
Первая из этих тенденций свидетельствует о том, что поскольку три рассмотренных вариативных параметра действуют на физико-механические свойства разнонаправлено, то режим нанесения углеродных покрытий по этим параметрам может и должен быть оптимизирован. Вторая тенденция говорит о том, что влияние параметров %N, Р и X на прочностные свойства покрытий (Н и Е) не является стохастическим, а основано на единых явлениях и процессах, физический смысл которых частично обсуждался ранее.
На основе полученных однопараметрических зависимостей несложно выделить область значений технологических параметров Р и X, в пределах которой на использованном в работе оборудовании с высокой степенью достоверности будет обеспечен стабильный уровень физико-механических характеристик покрытий БЬС, определяемых методами непрерывного индентирова-ния:
- область оптимальных значений варьируемых технологических параметров: %N = 5-8, X = 3.03.8 А;
- прогнозируемые физико-механические свойства углеродных БЬС-покрытий: Н> 18-20 ГПа, Е > 250 ГПа, Н/Е > 0.07, Н 3/Е2 > 0.08 ГПа.
Указанный уровень физико-механических характеристик покрытий может быть достигнут и за пределами приведенной области оптимальных значений параметров, однако в этом случае, как показывает анализ сформированной базы данных,
устойчивая повторяемость значений этих свойств не гарантируется.
Каждый из рассматриваемых в работе вариативных параметров %N, Р и X с точки зрения ион-но-плазменной технологии считается независимым. Однако установленные закономерности их разнонаправленного влияния на Н и Е указывают на целесообразность изучения их совместного действия. С этой целью сформированная база данных была использована для исследования двухпараметрического (попарного) влияния параметров Р, X и ^ на твердость Н углеродных покрытий с применением методов машинного обучения и нейросетевых алгоритмов. Его результаты представлены в следующем разделе.
3.3. Анализ базы данных углеродных покрытий с использованием нейросетевых алгоритмов
Помимо классических статистических методов, результаты которых изложены в предыдущем разделе, для поиска закономерностей в базе экспериментальных данных и прогнозирования значений твердости покрытий БЬС были использованы алгоритмы машинного обучения. В качестве критерия наличия закономерностей была использована величина коэффициента детерминации Я2.
Пусть у, и/ (/ = 1, ..., п) являются экспериментальными и прогнозируемыми значениями неизвестной функции (твердости Н), а т — это среднее значение всех у,, тогда величина Я2 определяется как
R2 =, Цyt - f)2 Rscore = К y, - mf
(5)
Максимальное значение Я = 1 соответствует наилучшему качеству прогнозирования. На практике Я2 может принимать нулевые или даже отрицательные значения, если данные представляют собой случайный шум или содержат большие выбросы, а также для плохо натренированной или переобученной модели.
Первым шагом к построению моделей машинного обучения является сбор данных. В настоящем исследовании в качестве набора данных для анализа и обучения были использованы результаты 58 экспериментов по нанесению покрытий БЬС, выбранные из созданной базы данных. Входными параметрами моделей были четыре параметра эксперимента: рабочее давление в камере Р, величина подачи азота в камеру %N, подаваемый на индукционные катушки ток X, а также
время нанесения покрытия t. В качестве целевого параметра была выбрана твердость Н результирующего углеродного покрытия. Для моделирования зависимости твердости от экспериментальных параметров были использованы линейный алгоритм Ridge (гребневая регрессия) и алгоритм ExtraTrees, хорошо зарекомендовавший себя в табличных задачах малой размерности [37, 38], а также полносвязная нейронная сеть — многослойный перцептрон (multilayer perceptron, MLP). Гребневая регрессия есть ни что иное как разновидность линейной регрессии с добавлением регуляризации Тихонова. ExtraTrees относится к ансамблевым алгоритмам, которые в качестве слабых эстиматоров используют деревья решений. В силу относительно небольшого размера исходного набора данных было решено использовать кросс-валидацию по методу одиночного исключения элементов выборки (кросс-валидация Leave OneOut). Данные нормировались перед обучением моделей.
На рис. 7 для каждого эксперимента показаны предсказанное значение твердости Нрг^ и значение Нотщ, полученное в эксперименте. Первоначально алгоритмы были натренированы на исходных данных без фильтрации (рис. 7). Метрика R2 в случае нефильтрованных данных равнялась 0.117 для ExtraTrees и 0.045 для Ridge. Оба алгоритма показывают низкое качество предсказания, но большинство точек на рис. 7, б расположены вдоль линии «предсказание - эксперимент», в то время как на рис. 7, a точки разбросаны случайным образом. В дальнейшем была проведена работа по улучшению качества модели на основе ансамбля деревьев (ExtraTrees), которая выявила более высокую корреляцию в исходных экспериментальных данных, чем модель на основе алгоритма Ridge.
Из рис. 7, б видно, что для некоторых экспериментов качество предсказания значительно ниже. Причем наиболее удалены от диагонали «предсказание - эксперимент» точки с начальными порядковыми номерами в базе данных, т.е. наименее предсказуемыми являются значения твердости покрытий, полученных на начальной стадии отработки режимов ионно-плазменной технологии получения покрытий DLC. Для улучшения качества предсказания было решено отфильтровать эксперименты, для которых алгоритм Extra-Trees показывает наибольшую ошибку. Результат, полученный после фильтрации данных, показан на рис. 7, в. После удаления одиннадцати экспе-
Е 40Н
ё зон
X
S 20"1
X
10-
•
• ••• [а
10 20 30 40
Прогнозируемое значение Н, ГПа
10 20 30 40
Прогнозируемое значение Н, ГПа
Е25'
20"
о X X
к h О
S
15-
10-
5-
v. •*• ••
В
5 10 15 20 25
Прогнозируемое значение Н, ГПа
Рис. 7. Диаграмма рассеяния, показывающая наличие корреляций между истинными значениями твердости, определенными в эксперименте, и значениями, предсказанными алгоритмом в ходе перекрестной проверки: а — результаты для алгоритма гребневой регрессии (Ridge); б — для ансамблевого метода (ExtraTrees); в — для ансамблевого метода (Extra Trees) после применения фильтрации (цветной в он-лайн-версии)
риментов с наибольшей ошибкой качество предсказания значительно повысилось, достигнув R2 = 0.45. При этом фильтрация не привела к улучшению модели Ridge. Также повысить качество предсказания алгоритма ExtraTrees удалось за счет подбора параметров — максимальной глубины дерева и общего количества деревьев. Лучшую метрику R2 = 0.5 показала модель с максимальной глубиной дерева, равной 5, и общим числом деревьев, равным 20. Пространство входных параметров имеет достаточно малую размерность — 4 входных параметра, что открывает возможность улучшения качества предсказания за счет расширения пространства признаков. В итоге добавление полиномиальных признаков степени не выше двух, т.е. квадратов и попарных произве-
дений исходных признаков, позволило повысить качество предсказания до R2 = 0.56. Добавление полиномиальных признаков третьей степени не привело к дальнейшему улучшению качества.
Для полносвязной нейронной сети была применена та же последовательность улучшений, что и для деревьев. Первоначально нейронная сеть с одним скрытым слоем из 100 нейронов, обученная на нефильтрованных данных, показала качество предсказания R2 < 0. Тренировка той же сети на фильтрованных данных не привела к улучшению качества предсказания. Далее, проведя подбор параметров, в том числе архитектуры нейронной сети, удалось добиться качества предсказания R2 = 0.5, сравнимого с качеством модели на основе деревьев. Соответствующая архитектура нейронной сети: 2 последовательных скрытых слоя по 10 нейронов в каждом. Значение ^-регуляризации во время обучения было равным 1. Расширение пространства признаков не привело к увеличению качества предсказания для нейронной сети, максимальное значение R2 осталось равным 0.5.
Таким образом, применив фильтрацию, расширив пространство признаков и проведя оптимизацию параметров алгоритма, удалось значительно улучшить качество предсказания модели с R2 = 0.117 до 0.56 для ExtraTrees и с R2 < 0 до 0.5 для нейронной сети. В результате были получены модели зависимости твердости Н от экспериментальных параметров, которые на следующем этапе исследований были использованы для построения наглядных зависимостей твердости. Результаты применения натренированного алгоритма Extra Trees и обученной нейронной сети для построения зависимостей твердости покрытия как функции пар параметров в виде цветовых («тепловых») карт показаны на рис. 8. Вблизи экспериментальной точки с максимальным значением твердости построено прогнозирование твердости покрытия для всех значений параметров на плоскости. Двухпараметрические цветовые карты твердости были построены для всех возможных пар входных параметров: тока катушек X, времени нанесения t, количества азота в потоке %N, рабочего давления P. Цветом на рис. 8 показано ожидаемое значение твердости покрытия.
В практике нанесения покрытий DLC с использованием вакуумной ионно-плазменной технологии интервалы допустимых значений технологических параметров для получения оптимальных свойств покрытий оказываются достаточно
Рис. 8. Двухпараметрические цветовые карты твердости, построенные с применением обученной нейронной сети (а, в, д) и натренированного алгоритма ExtraTrees (б, г, е); плоскости параметров: а, б — %N-X; в, г — Р-X; д, е — %N-t; цветовая шкала твердости в ГПа приведена на каждой карте справа (цветной в онлайн-версии)
небольшими (см. рис. 5 и 6). Сопоставление экспериментальных данных раздела 3.2 с результатами компьютерного анализа, представленными в настоящем разделе, демонстрирует более точное
прогнозирование с использованием алгоритма ExtraTrees. На рис. 8 зоны совпадающих оптиму-мов экспериментальных и прогнозных значений параметров отмечены прямоугольной рамкой.
Таблица 3. Оптимальные значения параметров, наблюдаемые на двумерных цветовых картах DLC-покрытий (рис. 8)
Параметры WorkPress DeposTime Npercentage CoilCurrent
Рабочее давление в камере Р, Па (ШогкРге88) <0.02 <0.05 <0.08
Время напыления 1, мин (Беро8Тте) 10-17 10-17 10-17
Давление азота (Npercentage) 5-7 5-7 5-7
Параметр (ток) индукционных катушек X, А (СоДСштеП;) 2.7-3.1 0-1.6 2.7-3.1 2.7-3.1
Для некоторых пар параметров при прогнозировании с использованием нейронной сети MLP построить такие зоны для реальных значений параметров было весьма проблематично (рис. 8, в,
д). Сводные данные оптимальных значений входных параметров, полученные с использованием алгоритма ExtraTrees и обеспечивающие максимальный уровень твердости покрытия (рис. 8, б, г,
е), приведены в табл. 3. Оптимальные значения каждого параметра приведены в строках табл. 3. Значение параметра, расположенное в пересечении строки и столбца в табл. 3, соответствует двумерной цветовой карте на рис. 8.
Интересно сравнение данных рис. 5, которые являются обобщенными результатами однопара-метрических экспериментальных зависимостей раздела 3.2 по твердости, и данных табл. 3, которые представляют собой обобщенные результаты двухпараметрических прогнозируемых зависимостей раздела 3.3. Сравнение этих данных, построенных различными статистическими и IT методами, показывает, что интервалы оптимальных значений варьируемых параметров %N, P и X имеют высокую степень перекрытия. При этом для данных, полученных с использованием алгоритма ExtraTrees, они практически совпадают. Таким образом, совпадение результатов, полученных различными методами анализа базы данных покрытий DLC, дает основание рассматривать вакуумную ионно-плазменную технологию как управляемый процесс, несмотря на его многопарамет-ричность, неравновесное состояние и стохастический характер.
4. Выводы
Использование азота для стабилизации углеродных покрытий вместо водорода обеспечивает не только получение устойчивых значений толщины покрытий DLC на уровне 0.6-1.4 мкм, но и служит важным управляющим технологическим параметром для регулирования физико-механи-
ческих характеристик покрытия в процессе его нанесения.
По результатам проведенных исследований удается оптимизировать комплекс вариативных технологических параметров нанесения покрытий БЬС (давление в рабочей камере Р, ток X индукционных катушек, значение подачи азота в камеру %N, время нанесения 0 для получения высоких значений физико-механических свойств покрытия — твердости Н и модуля упругости Е. Отметим, что наиболее высокая точность прогнозирования значений твердости углеродных покрытий достигается за счет бимодального варьирования параметров %N и X, оптимизация которых по различным алгоритмам (например нейросетевого машинного обучения и Ехй"аТгее8) дает практически идентичную локализацию на плоскости параметров (рис. 8, а, б). При этом важно, что эти параметры независимы, поскольку характеризуются различной физической природой влияния на свойства покрытий: %N стабилизирует структуру покрытия, снижая внутренние напряжения; величина X определяет плотность мощности ионного потока осаждаемого углерода. Бимодальное варьирование других использованных в работе параметров не дает такой ясной оптимизационной картины и, в зависимости от применяемых алгоритмов, результаты могут быть противоречивы (рис. 8, д, е).
Апробированный в работе методический подход включал формирование базы данных углеродных покрытий, выявление зависимостей влияния параметров нанесения на свойства покрытий на основе методов статистической обработки данных, оптимизацию полученных зависимостей с применением алгоритмов машинного обучения. Показано, что реализация этого подхода позволяет решить проблему стохастического распределения и значительного разброса данных, вызванного особенностями неустойчивой неравновесной ионно-плазменной технологической системы и большим числом параметров, определяющих сос-
тав, строение и свойства покрытий. В результате создается возможность надежного прогнозирования свойств покрытий при варьировании ограниченного количества управляющих технологических параметров.
Исследование показывает, что несмотря на большое количество параметров, среди которых встречаются параметры стохастической природы, технология вакуумного ионно-плазменного напыления покрытий может быть надежно управляемым процессом. Сформированная база экспериментальных данных по покрытиям DLC позволила выделить наиболее значимые параметры и установить закономерности их влияния на свойства покрытий. Применение алгоритмов машинного обучения и нейросетевых технологий позволило расширить возможности использования этих закономерностей в виде двумерных цветовых карт. При этом в полученных результатах не было обнаружено каких-либо противоречий при использовании классических статистических методов и новых компьютерных технологий за исключением существенного выигрыша во времени обработки данных, которое обеспечивает использование IT-методов. Перспективы этого направления исследований в области ионно-плазменных технологий и в области неравновесных неустойчивых процессов, по мере роста массива базы данных, видятся в том, что значение применения для ее анализа процедур машинного обучения и нейро-сетевых алгоритмов будет возрастать, постепенно вытесняя привычные методы статистической обработки, традиционно используемые в технических науках.
Финансирование
Работа выполнена при финансовой поддержке Российского научного фонда (грант № 21-7930007).
Литература
1. Осаждение из газовой фазы / Под ред. К. Пауэлла, Дж. Оксли, Дж. Блочера, мл. - М.: Атомиздат, 1970.
2. Технология тонких пленок: Справочник / Под ред. Л. Майселла, Р. Глэнга. - М.: Советское радио, 1977. - Т. 1.
3. Sputtering and Ion Plating: Proc. Conf. on Lewis Research Centre / Ed. by B.T. Lundin. - NASA SP-5111, 1972.
4. Верещака А.С., Табаков В.П., Жогин А.С. Твердосплавные инструменты с нитридотитановыми покрытиями // Станки и инструмент. - 1976. - № 6. -С. 12-14.
5. Бродянский А.П. Упрочнение инструмента на установках «Пуск» и «Булат» // Технология и организация производства. - 1977. - № 2. - 25 с.
6. Костржицкий А.И., Лебединский О.В. Многокомпонентные вакуумные покрытия. - М.: Машиностроение, 1982.
7. Белый А.В., Карпенко Г.Д., Мышкин Н.К. Структура и методы формирования износостойких поверхностных слоев. - М.: Машиностроение, 1991.
8. Ильин А.А., Плихунов В.В., Петров Л.М., Спек-тор В.С. Вакуумная ионно-плазменная обработка. -М.: ИНФРА-М, 2014.
9. Thornton A.J. ТЬе influence of bias sputter parameters оп thick copper coatings deposited using а hollow cathode // Thin Solid Films. - 1977. - V. 40. - P. 335-344. -https://doi.org/10.1016/0040-6090(77)90135-3
10. Anders A. A structure zone diagram including plasma based deposition and ion etching // Thin Solid Films. -2010. - V. 518. - No. 15. - P. 4087-4090. - https://doi. org/10.1016/j.tsf.2009.10.145
11. Sedlacek M., Podgornik B., Vizintin J. Tribological properties of DLC coatings and comparison with test results: Development of a database // Mater. Character. - 2008. -V. 59. - No. 2. - P. 151-161. - https://doi.org/10.1016/). matchar.2006.12.008
12. MacLeod B.P. Self-driving laboratory for accelerated discovery of thin-film materials // Sci. Adv. - 2020. -V. 6. - No. 20. - P. eaaz8867. - https://doi.org/10.1126/ sciadv.aaz8867
13. Ohkubo I. Realization of closed-loop optimization of epitaxial titanium nitride thin-film growth via machine learning // Mater. Today Phys. - 2021. - V. 16. - P. 100296. -https://doi.org/10.1016/j.mtphys.2020.100296
14. Lifar M.S., Guda S.A., Kudryakov O.V., Guda A.A., Pashkov D.M., Rusalev Yu.V., Migal Yu.F., Solda-tovA.V., Kolesnikov V.I.. Relationships between synthesis conditions and TiN coating properties discovered from the data driven approach // Thin Solid Films. - 2023. -V. 768. - P. 139725. - https://doi.org/10.1016/j.tsf.2023. 139725
15. Ершов И.В., Пруцакова Н.В., Холодова О.М., Лаврентьев А.А., Мардасова И.В., Жданова Т.П. Структурные свойства и состав графитоподобных углеродных пленок, полученных импульсным лазерным испарением // ЖТФ. - 2021. - Т. 91. - № 4. - С. 635-642. -https://doi.org/10.21883/JTF.2021.04.50627.257-20
16. Bleu Y., Bourquard F., Tite T., Loir A.-S., Maddi Ch., Donnet C., Garrelie F. Review of graphene growth from a solid carbon source by pulsed laser deposition (PLD) // Front. Chem. - 2018. -V. 6 (Systematic Review). -https://doi.org/10.3389/fchem.2018.00572
17. Колесников В.И., Верескун В.Д., Кудряков О.В., Ман-туров Д.С., Попов О.Н., Новиков Е.С. Технология повышения износостойкости тяжелонагруженных три-босистем и их мониторинг // Трение и износ. - 2020. -Т. 41. - № 2. - С. 228-234. - https://doi.org/10.3103/ S1068366620020051
18. Колесников В.И., Кудряков О.В., Забияка И.Ю., Новиков Е.С., Мантуров Д. С. Структурные аспекты износостойкости вакуумных ионно-плазменных покры-
тий // Физ. мезомех. - 2020. - Т. 23. - № 1. - С. 6277. - https://doi.org/10.24411/1683-805X-2020-11006
19. Kudryakov O.V., Varavka V.N., Kolesnikov I.V., Novi-kov E.S., Zabiyaka I.Yu. DLC coatings for tribotechnical purposes: Features of the structure and wear resistance // IOP Conf.: Mater. Sci. Eng. - 2021. - V. 1029. - No. 1. -P. 012061. - https://doi.org/10.1088/1757-899X/1029/!/ 012061
20. Charitidis C.A. Nanomechanical and nanotribological properties of carbon-based thin films: A review // Int. J. Refract. Met. Hard Mater. - 2010. - V. 28. - P. 51. -https://doi.org/10.1016/j.ijrmhm.2009.08.003
21. Charitidis C.A., Koumoulos E.P., Dragatogiannis D.A. Nanotribological behavior of carbon based thin films: Friction and lubricity mechanisms at the nanoscale // Lubricants. - 2013. - V. 1. - P. 22-47. - https://doi.org/10. 3390/lubricants 1020022
22. Riedo E., Chevrier J., Comin F., Brune H. Nanotribology of carbon-based thin films: The influence of film structure and surface morphology // Surf. Sci. - 2001. -V. 477. - P. 25.
23. Головин Ю.И. Наноиндентирование и его возможности. - М.: Машиностроение, 2009.
24. ГОСТ 8.748-2011 (ИСО 14577-1:2002) Металлы и сплавы. Измерение твердости и других характеристик материалов при инструментальном индентировании. Часть 1: Метод испытаний.
25. ГОСТ Р 50779.25-2005 (ИСО 3494:1976) Статистические методы. Статистическое представление данных. Мощность тестов для средних и дисперсий.
26. ГОСТ Р ИСО 16269-4-2017 Статистические методы. Статистическое представление данных. Часть 4: Выявление и обработка выбросов.
27. Rebholz C., Ziegele H., Leyland A., Matthews A. Structure, mechanical and tribological properties of nitrogen-containing chromium coatings prepared by reactive magnetron sputtering // Surf. Coat. Technol. - 1999. -V. 115. - P. 222-229. - https://doi.org/10.1016/S0257-8972(99)00240-6
28. Наноструктурные покрытия / Под ред. А. Кавалейро, Д. де Хоссона. - М.: Техносфера, 2011.
29. Погребняк А.Д., Лозован А.А., Кирик Г.В., Щитов Н.Н., Стадник А.Д., Братушка С.Н. Структура и
свойства нанокомпозитных, гибридных и полимерных покрытий. - М.: Книжный дом «ЛИБРОКОМ», 2011.
30. Kudryakov O.V., Varavka V.N., Kolesnikov I.V. Self-healing of PVD-coatings // Mater. Sci. Forum. - 2022. -V. 1052. - P. 44-49. - https://doi.org/10.4028/p-996e4s
31. Ковалева М.Г., Колпаков А.Я., Поплавский А.И., Галкина М.Е., Герус Ж.В., Любушкин Р.А., МишунинМ.В. Триботехнические свойства покрытий на основе углерода и углерода, легированного азотом, полученных импульсным вакуумно-дуговым методом // Трение и износ. - 2018. - Т. 39. - № 4. - С. 433-437.
32. Baba K., Hatada R., Flege S., Ensinger W. Diamond-like carbon films with low internal stress by a simple bilayer approach // Coatings. - 2020. - V. 10(7). - P. 696. -https://doi.org/10.3390/coatings 10070696
33. Haas T.W., Grant J.T., Dooley G.J. Chemical effects in Auger electron spectroscopy // J. Appl. Phys. - 1972. - V. 43. -P. 1853-1860. - https://doi.org/10.1063/U661409
34. Lurie P.G., Wilson J.M. The diamond surface: Secondary electron emission // Surf. Sci. - 1977. - V. 65. - No. 2. -P. 476-498. - https://doi.org/10.1016/0039-6028(77)904 60-5
35. Сидашов А.В. Электронное строение, элементный состав и прочностные свойства модифицированных лазерным излучением поверхностей сталей, алмазных и графеновых пленок для трибологических применений: Дис. ... докт. физ.-мат. наук. - Ростов-на-Дону: ЮФУ, 2022.
36. Dementjev A.P., Petukhov M.N. Comparison of X-ray-excited Auger lineshapes of graphite, polyethylene and diamond // Surf. Interface Analysis. - 1996. - V. 24. -P. 517-521. - https://doi.org/10.1002/(SICI) 1096-9918 (199608)24:8<517::AID-SIA154>3.0.C0;2-L
37. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. - 2006. - V. 63. - No. 1. -P. 3-42. - https://doi.org/10.1007/s10994-006-6226-1
38. Lifar M.S., Guda S.A., Kudryakov O.V., Guda A.A., Pash-kovD.M., Rusalev Yu.V., Migal Yu.F., SoldatovA.V., Ko-lesnikov V.I. Relationships between synthesis conditions and TiN coating properties discovered from the data driven approach // Thin Solid Films. - 2023. - V. 768. -P. 139725. - https://doi.org/10.1016/j.tsf.2023.139725
Поступила в редакцию 10.07.2023 г., после доработки 11.09.2023 г., принята к публикации 25.09.2023 г.
Сведения об авторах
Воропаев Александр Иванович, дир. НИЦ НТ НИЧ РГУПС, vai_nano@rgups.ru Колесников Владимир Иванович, ак. РАН, д.т.н., проф., зав. каф. РГУПС, kvi@rgups.ru Кудряков Олег Вячеславович, д.т.н., проф., проф. ДГТУ, kudryakov@mail.ru Варавка Валерий Николаевич, д.т.н., доц., проф. ДГТУ, varavkavn@gmail.com Колесников Игорь Владимирович, д.т.н., чл.-к. РАН, внс РГУПС, oooedt@rambler.ru Лифарь Михаил Сергеевич, мнс МИИМ ЮФУ, mikhailkulkov11@gmail.com Гуда Сергей Александрович, к.ф.-м.н., доц. МИИМ ЮФУ, gudasergey@yandex.ru Гуда Александр Александрович, д.ф.-м.н., доц. МИИМ ЮФУ, guda@sfedu.ru Сидашов Андрей Вячеславович, д.ф.-м.н., снс РГУПС, iav-1980@yandex.ru
