Vol.26, Special Issue A, 2026, pp. S23–S29
https://doi.org/10.69644/ivk-2026-siA-0023 

PRIMENA MAŠINSKOG UČENJA U PREDVIĐANJU VELEROVIH KRIVIH ČELIKA Ck35

Milica Ivić Nikolić1* , Branislav Đorđević2 , Aleksandar Sedmak3 , Sreten Mastilović4 , Aleksandar Dimić3 

1) Technical Test Centre, Military Scientific Research Institution of the Serbian Army, Belgrade, SERBIA

M. Ivić Nikolić https://orcid.org/0009-0007-6217-4929 , *email: milicaivicnikolic@gmail.com

2) University of Belgrade, Innovation Centre of the Faculty of Mechanical Engineering, Belgrade, SERBIA

B. Đorđević https://orcid.org/0000-0001-8595-6930

3) University of Belgrade, Faculty of Mechanical Engineering, Belgrade, SERBIA

A. Sedmak https://orcid.org/0000-0002-5438-1895 ; A. Dimić https://orcid.org/0000-0001-5495-0763

4) University of Belgrade, Institute for Multidisciplinary Research, National Institute of the Republic of SERBIA

S. Mastilović https://orcid.org/0000-0002-1856-626X

 

Izvod

Mašinsko učenje je postalo moćan alat za predviđanje i otkrivanje zakonitosti putem učenja obrazaca iz opservacija, mada njegova pouzdanost zavisi od adekvatnog izbora modela, rigorozne evaluacije i svesti o inherentnim ograničenjima. Ova studija analizira primenu tri modela mašinskog učenja: Metode potpornih vektora (eng. SVM), linearne regresije (eng. LR) i regresije Gausovim procesima (eng. GPR), sa ciljem predviđanja zamornih osobina (tačnije, S-N zavisnosti) čelika Ck35 (prema DIN EN 10083) u logaritamskom prostoru sadržanom u alatu MATLAB®. Eksperimentalni podaci su, nakon particionisanja pomoću identifikatora materijala, podeljeni na skupove za trening modela i testiranje istih sa ciljem predviđanja veka zamora u funkciji primenjenog napona. Evaluacija performansi ispitanih modela, sprovedena primenom metoda Srednje apsolutne procentualne greške i Korena srednje kvadratne greške, ukazuje na to da SVM i GPR modeli pružaju veću preciznost u odnosu na klasičnu linearnu regresiju, naročito kod nelinearnih skupova podataka. Uporedna analiza predviđenih i eksperimentalnih zamornih krivih potvrđuje tačnost predloženog pristupa, čime se ilustruje značajan potencijal inteligentnih algoritama u optimizaciji i smanjenju obima eksperimentalnih ispitivanja zamora materijala.

Ključne reči: • S-N kriva • mašinsko učenje • Metode potpornih vektora • Regresije Gausovim procesima

rad u celosti (592 kB)