Аннотация:Уже несколько десятилетий стали развиваться методы, основанные на машинномобучении, показывающие хорошую эффективность при анализе изображений. Также этиметоды стали применяться в задачах механики деформируемого твердого тела, в том числедля анализа характеристик ползучести и разрушения.В работе исследуется механизм развития разрушения в условияхвысокотемпературной ползучести на примере процесса растяжения плоских алюминиевыхобразцов. Исследование проводится методами нейронных сетей.По фотографиям процесса деформирования моделируются градиентным бустингоми нейронными сетями механические характеристики образца. Фотографии состоят из24 серий, соответствующих различным экспериментам, общее число фотографийсоставило около 1500. Промоделированы: длина образца, деформация образца и времялокализации деформаций. Моделирование методом градиентного бустинга показало, чтоалгоритм потерял обобщающую способность уже на уменьшенном наборе данных,поэтому в дальнейшем не рассматривался. Нейросетевой анализ продольной деформациидал общую ошибку ~10 %. Для дальнейшего снижения ошибки была построена линейнаярегрессия на прогнозах трех нейронных сетей с наилучшими наборами гиперпараметров.Это позволило снизить ошибку моделирования до 3,6 % на всей выборке.Времена локализации моделировались искусственной нейросетью для размерного ибезразмерного значений. Использовались и нейросеть с четырьмя выходами, и четыреотдельных нейросети с одним выходом, показавших лучше результат – 1,5 % на всейвыборке данных.