Тончев Прес · Сътрудничество

В перспектива

Възможности за бъдещо сътрудничество в областта на оптимизацията на производствени и лазерни технологии — базирани на данни, визуализирани, повторяеми.

Енергийна ефективност Лазерни технологии Многокритериална оптимизация Отворено сътрудничество
⚡

Лазерно заваряване на дисимиларни материали: Мед (Cu-ETP) – Неръждаема стомана (AISI 316L)

Синергичен контрол на асиметрично отместване и кръгова осцилация — идеи, произтичащи от монографията
проф. д-р инж. К. Кръстанов ВТУ „Тодор Каблешков" — 2026 21 глави · 50 образеца TRL 6 → TRL 9 Патент BGIEP
10.1 kN
Fs ≥ 9.8 kN изискване
Якост на срязване
13 μΩ
USL = 20 μΩ
Контактно съпротивление
0 %
при n = 50 образеца
Дефекти / пукнатини
130 к€
IRR 19.4% · PP 5.2 г.
NPV (25 год., 7%)

Синергичната лазерна технология преодолява фундаменталните металургични бариери при заваряване на мед и неръждаема стомана — два материала, разделени от разлика в електропроводимостта 41:1 и в точката на топене 350°C. Чрез едновременно асиметрично отместване (D = 0.70 mm), кръгова осцилация (A = 2.5 mm, f = 55 Hz) и буферен добавъчен материал ERNiCu-7, технологията постига нулев процент на дефекти при 50 независими образеца. Монографията формулира девет конкретни идеи и предложения, структурирани в три времеви хоризонта, и три модела за индустриален трансфер.

Пътна карта на идеите — три времеви хоризонта

2026 – 2028

Краткосрочни приоритети

  • Затворена верига P: Фотодиоден детектор + PID (100 Hz) намалява σ_P от 0.05 → 0.01 kW; Cpk_Fs от 0.98 → 1.15. Ресурси: 1 500 EUR + 2 чов.-месеца, срок 6 месеца.
  • AI предсказване на дефекти: LSTM мрежа (AE сензор + оптичен спектрометър, 500 обучителни образеца), точност >90%, латентност <10 ms; брак −50%.
  • Design Space за тънки профили (0.5–2.0 mm): DOE за Cu 0.6 mm / SS 1.0 mm — нова WPS за EV батерии (очаквано Fs = 4.5–5.5 kN).
2028 – 2032

Средносрочни приоритети

  • Хибридно лазерно-ултразвуково заваряване: Ултразвуков трансдюсер 20 kHz/1 kW рафинира зърното (17 → 12 μm), намалява порьозността (0.15 → 0.05%) и повишава Fs до 11.5 kN.
  • Адитивни преходни слоеве (DED): Предварително нанесен Ni-слой (0.2 mm DED) елиминира телоподавача и осигурява по-равномерно Ni разпределение.
  • Мулти-материална оптимизация: Разширяване на методологията към Cu/Ti-6Al-4V (аерокосмос), Cu/Al 6061 (EV) и AISI 316L/Invar 36 (оптоелектроника).
2032 – 2040

Дългосрочни перспективи

  • Зелен водород (PEM): Cu-Ti и Cu-Pt токопроводящи съединения за протон-обменни мембранни електролизьори (pH 0–2, 80°C).
  • Квантови технологии: Криогенни Cu-SS съединения при 4–15 K с R_joint <1 μΩ за свръхпроводящи магнити и квантови комуникационни системи.
  • Индустрия 5.0 – кобот интеграция: Замяна на ABB IRB 2600 с UR20 кобот (без ограда), CAPEX −30% (≈ 70 000 EUR), σ_D ≈ 0.03 mm с 1 000 Hz камера.

Три модела за индустриален трансфер (TRL 6 → TRL 9)

Опция 1

Лицензиране на WPS

15 000 EUR + 1 EUR/шев

Клиентът закупува лазерна система. Ние предоставяме WPS документация, конфигуриране и обучение. Роялти до 100 000 заварени съединения/год.

Опция 2

Turnkey производствена клетка

≈ 120 000 EUR

Доставка и монтаж на пълна система (лазер, галванометър, робот, камера, софтуер). Производителност: 50 заварени съединения/час. Без роялти.

Опция 3

Съвместно предприятие (JV)

10–20 % дялово участие

За пазара на EV батерии (CATL, LG, Tesla) — ние предоставяме технология и патент, партньорът предоставя производствените линии и пазара.

Потенциални индустриални партньори (пилотно внедряване)

Асарел Медет АД — хлор-алкални електроди Монбат АД — EV акумулатори Електроапаратура Пазарджик — ВН прекъсвачи
📐

Инженерно чертане в ерата на Индустрия 4.0 / 5.0

Серия от 4 научни статии · Tontchev Press ЕООД · 2026 · Теми: MBD, Цифров близнак, AI в CAD, Проекционна геометрия

4 статии BS 8888:2025 / ISO 16792 Индустрия 4.0 → 5.0 MBD · Digital Twin · AI-CAD Академичен стандарт
75%редукцияцикъл проектиране → производство (NIST)
80–90%автоматизациярутинни CAD задачи — Neural CAD (Autodesk)
200×по-бързоAI разпознаване на 2D чертежи vs ръчни методи
+20%производителностпри пълно внедряване на Индустрия 4.0

Четирите авторски статии очертават пълния трансформационен маршрут — от класическия двуизмерен чертеж (Madsen, 1991; Morling & Danjou, 2022) и съветско-ерата начертателна геометрия до Model-Based Definition (MBD), цифровия близнак и AI-задвижваното проектиране. Изследванията защитават тезата, че пространственото мислене остава незаменимо в Индустрия 5.0, докато рутинното чертане прераства в управление на продуктовата информация в цифрова среда.

Статия 1
От традиционния чертеж към интелигентен цифров близнак
База: Madsen (1991) + BS 8888:2025
  • MBD — единен 3D модел като „single source of truth"
  • Neural CAD — автоматизация на 80-90% от задачите
  • AI разпознаване 200× по-бързо от ръчни методи
  • Digital Twin — затворен цикъл между замисъл и експлоатация
Статия 2
От геометрични конструкции към цифрови дефиниции
База: Morling & Danjou (2022, 4-то изд.)
  • ISO 128, 129, 286, 1101, 16792 — актуална нормативна база
  • Генеративен дизайн и AI автооразмеряване
  • 7 ключови компетенции на съвременния инженер
  • Индустрия 5.0 — устойчивост и човешка насоченост
Статия 3
Парадигмен преход от проекционната геометрия към цифровия близнак
База: Боричевски и др. (1960) + съвременни AI изследвания
  • Епиполярна геометрия — ядро на компютърното зрение
  • YOLOv4 + Siemens NX: 2D → 3D автоматична реконструкция
  • AR ProjecTwin — пространствена добавена реалност
  • Образование: от ръчно чертане към 3D когнитивни умения
Статия 4
Предизвикателства и бъдещи перспективи в прехода към Индустрия 4.0
База: Kagermann et al. (2013) + IIoT / Quality 4.0
  • 9 технологични стълба: CPS, IoT, AI, Digital Twin, Cobots…
  • Quality 4.0 — проактивно осигуряване на качеството
  • +20% продуктивност, +20% производителност, −15% разходи
  • 4-ниво рамка: стратегическо → технологично → операционно → човешко
🗓 Пътна карта за реализация
Краткосрочен 2026–2028
  • Публикуване на серията в рецензирани IEEE/MDPI списания
  • Разработване на учебни програми по MBD и 3D CAD
  • Уъркшопове „Инженерно чертане в Industry 4.0"
Средносрочен 2028–2032
  • Цифров учебник с интерактивни 3D модели
  • Консултантски услуги за MBD внедряване в МСП
  • Пилотна лаборатория за Digital Twin проектиране
Дългосрочен 2032–2040
  • Стандартизация на AI-асистирано проектиране (ISO предложения)
  • Интеграция в национални образователни стандарти
  • Платформа за Industry 5.0 cobot-assisted design
💼 Модели за трансфер
Лицензиране
Учебна програма MBD
8 000 EUR / договор

Пълен учебен пакет: лекции, упражнения, оценяване. Университети и проф. училища.

Консултинг
Industry 4.0 Transition Audit
от 3 500 EUR

Оценка на зрялост, пътна карта и план за внедряване на интелигентно производство.

Партньорство
Съвместни изследвания
по договаряне

Разработка на AI-CAD инструменти, Digital Twin платформи и образователен софтуер.

🤝 Целеви партньори
Технически университети — БГ IEEE Bulgaria Section Siemens Digital Industries Autodesk Education НПТО „Мехатроника" ВТУ „Тодор Каблешков"
⚙

DEFMOT — Многокритериална оптимизация с движещи се ограничения

Универсален изчислителен подход за проектиране на режимни параметри на технологични процеси и металургичен синтез — пряко приложим в химична, биологична, механична и екологична инженерия.

Защитен 2021 MADMML® Софтуер Парето-оптималност Движещи се равнини ВТУ „Тодор Каблешков"

DEFMOT (DEtermination by MOvement of constraints) е изчислителен подход, защитен през 2021 г., разработен от проф. д-р инж. Николай Тончев. Методологията решава многокритериални задачи чрез системно движение на ограничителни равнини в пространството на параметрите, идентифицирайки компромисни вектори, съответстващи на предварително зададени изисквания. MADMML® анализира едновременно 94 = 6 561 комбинации на параметри при четирифакторни модели.

①
Дискретизация
Входни параметри X₁…Xₙ се семплират в зададени граници
②
Движещи се ограничения
Min-Max филтри итеративно стесняват областта на ефективни решения
③
Парето-фронт
Ранжиране и класификация на компромисните решения в 4 типа фронтове
6 561
КОМБИНАЦИИ
анализирани едновременно (9⁴ при 4 фактора)
4
ПАРЕТО ФРОНТА
типа ефективни решения за всяка задача
11
СТЪПКИ
до пълна конвергенция на оптималното решение
≥ 3
КРИТЕРИЯ
едновременна оптимизация без компромис
Реални приложения — 6 научни области
01
Леене на алуминиеви сплави
Проф. д-р инж. Румяна Лазарова
  • X₁–X₄: температура, време на запълване, цикъл, налягане
  • Y₁–Y₆: DAS параметри в 6 сечения на джанта
  • Цел: минимален DAS в 6 сечения едновременно
✔ Максимална якост на отливката
02
Електролитно покритие — реставрация
Проф. д-р инж. Драгол Драголов
  • X₁–X₄: концентрация Mn/Ni, плътност ток, температура
  • Y₁: съдържание Mn; Y₂: съдържание Ni в покритие
  • Стомана 530A40 (BS 970), ортогонален план
✔ Макс. отлагане Mn + Ni едновременно
03
Хомогенизиращо термообработване
Акад. проф. Янко Арсов — American Eagle Wheel Co.
  • X₁–X₄: T и τ хомогенизация; T и τ третиране
  • Y₁: якост на опън; Y₂: граница на провлачване; Y₃: удължение
  • Пасивен експеримент — джанти с различна дебелина
✔ Два типа сечения — общ режим
04
Плазмено наваряване
Доц. д-р инж. Божидар Дяков
  • X₁–X₅: газ, ток, разстояние, скорост, прах
  • Y₁: адхезия; Y₂: микротвърдост; Y₃: порьозност
  • План на Рехшафнер
✔ Оптимален контрол на качеството
05
Йонно азотиране на инструментална стомана
Проф. д-р инж. Ангел Зюмбилев
  • X₁–X₄: T, NH₃-налягане, τ, T на отвръщане
  • Y₁: микротвърдост; Y₂: якост на счупване; Y₃: износоустойчивост
  • BH11, BH21, BH10 (BS 4659) — включена енергоефективност
✔ Мин. енергоконсумация + зад. свойства
06
Mg-Zn сплав с Ca и Sr
Проф. NAO — Далянски технологичен университет
  • X₁–X₄: Ca, Sr, T-стареене (°C), τ-стареене (h)
  • Y₁: UTS 81.39%; Y₂: El. 20.69%; Y₃: HV 97.79%; Y₄: D 23.84%
  • Оптимум: Ca=0.2%, Sr=0.2%, T=325°C, τ=8h
✔ 4 свойства оптимизирани едновременно
Казус: Сравнение на абразиви ТН-20 и Т15К6 при шлифоване на С45
ПоказателТН-20 (без волфрам)Т15К6 (с волфрам)
Макс. производителност1 042.59 mm³/min1 265.42 mm³/min
Симулт. производ. режим90.14% — 954.15 mm³/min86.03% — 1 101.73 mm³/min
Мин. относит. износ1.65 mg/g0.46 mg/g
Мин. себестойност6.45 €цент/cm³ (35% по-евтин)4.11 €цент/cm³
Консумация при симулт.~44% повечепо-икономичен
ЗаключениеТН-20 може пълноценно да замести Т15К6 при специфични режими — решението е икономически обосновано
Пътна карта за внедряване на DEFMOT
▶ КРАТКОСРОЧНО 2026–2028
  • Идентификация на технологичен процес и целеви функции
  • Планиране и провеждане на активен/пасивен експеримент
  • Регресионен анализ и верификация на модели
  • Първо приложение на MADMML® — базови резултати
▶ СРЕДНОСРОЧНО 2028–2032
  • Многокритериална оптимизация с 3–5 критерия
  • Парето-анализ и ранжиране на компромисни решения
  • Сравнителен анализ между конкурентни материали/технологии
  • Обучение на персонал и трансфер на компетентност
▶ ДЪЛГОСРОЧНО 2032–2040
  • Интеграция с AI/ML за автоматично генериране на модели
  • Онлайн DEFMOT платформа като услуга (SaaS)
  • Приложение в биологични и екологични системи
  • Международни публикации и патентна защита
⬡ Целеви партньори за DEFMOT-базирани проекти
Машиностроителни предприятия Металургични заводи Автомобилна индустрия Химически технологии ВТУ „Тодор Каблешков" Технически университети — БГ Далянски технол. университет IEEE Bulgaria Section
⚗

Моделиране, оптимизация и избор на материали — технологична оферта и научни приноси

Универсален изчислителен подход за моделиране, оптимизация и автоматизирано проектиране на технологични процеси — приложим в металургията, машиностроенето и производствените технологии.

Технологична оферта (EEN) Secret know-how MADMML® Софтуер Парето фронт ВТУ „Тодор Каблешков" Вече на пазара

Предложеният подход е разработен в рамките на повече от 25 години изследвания на проф. д.т.н. инж. Николай Тончев и е обобщен в Технологична оферта към Enterprise Europe Network за намиране на търговски партньори в Австрия, Чехия, Франция, Германия, Великобритания, Китай, Русия, Турция и САЩ. Подходът е базиран на специализиран MADMML® софтуер и е официално регистриран като secret know-how. Методиката интегрира регресионен анализ, изкуствени невронни мрежи (ANN/MLP) и многокритериална оптимизация с Парето фронт за намиране на оптимален състав и режим на обработване на сплавите.

ИДЕЯ 01 · ТЕХНОЛОГИЧНА ОФЕРТА

Оптимизация на нови и неустановени технологии

Услуга за проектиране на режимни параметри на всяка производствена технология с гарантирано постигане на целеви показатели чрез анализ на 2–10 входни параметъра. Приложима за химическа, механична, биологична и екологична инженерия.

ИДЕЯ 02 · НАУЧЕН ПРИНОС

Многокритериален подход за легиране на стомани

Хипотеза и доказан метод: при моделиране свойствата на материали на желязна основа в зависимост от химичния им състав е възможно да се определят ефективни решения чрез Парето фронт за комплексна оценка на якост, пластичност и твърдост едновременно.

ИДЕЯ 03 · НОВА ТЕОРИЯ

Показател K_MW за технологична себестойност

Обобщен показател KMW за различни класове стомани, позволяващ оценка и сравнение на технологичните маршрути при заготовките от металообработващата промишленост — базиран на технологични и организационни характеристики.

ИДЕЯ 04 · АВТОМАТИЗИРАН ИЗБОР

Методика за избор на материал с контрол на енергоемкостта

Предложена и внедрена методика за избор на материал от клас стомани, осигуряващ необходим комплекс от свойства с контролиране на енергийните разходи при химико-термично обработване. Включва специализиран MADMML® софтуер.

ИДЕЯ 05 · МЕТОД НА ТАГУЧИ

Двупараметрична многокритериална оптимизация

Многокритериална процедура, базирана на метода на Тагучи, за определяне количеството на легиращите елементи при осигуряване на качество едновременно по два контролирани параметъра — прецезира съставa на сплавта.

ИДЕЯ 06 · МАЛКИ ДАННИ

Оптимизация при ограничена база от данни

Доказана е възможността за подобряване свойствата на стомани от мартензитен клас чрез многокритериална процедура при използване на малка база от данни — ключово предимство пред конвенционалните ANN методи.

ИДЕЯ 07 · АНМ + ГА

ANN + генетичен алгоритъм за оптимизация на легиране

Изследвано е влиянието на отделните легиращи елементи върху крайните свойства посредством апарата на изкуствените невронни мрежи (ALP-MLP) и генетичен алгоритъм — подход с публикувани резултати от сп. JMSEA.

ИДЕЯ 08 · АВТОМОБИЛОСТРОЕНЕ

AHSS стомани — редукция на тегло 25–35%

Чрез внедряването на висококякостни (AHSS) стомани каросерията може да се намали с 25%, а при стомани от трето поколение — до 35%. Пряко влияние върху разход на гориво, CO₂ емисии и екологична обстановка.

ИДЕЯ 09 · CAE ОПТИМИЗАЦИЯ

Симулационна оптимизация с CAE модели

Оптимизация на симулационни Computer Aided Engineering (CAE) изчисления за достигане на рационален технологичен вариант — прогнозиране на дефекти, структура, механични качества и широк кръг металообработващи технологии.

ИДЕЯ 10 · ОБРАБОТВАЕМОСТ

Влияние на легирането върху обработваемостта чрез рязане

За първи път в литературата са определени оптималните условия за обработваемост чрез стружкоотделяне и е изследвано влиянието на легиращите елементи и механичните характеристики върху технологичния показател.

ИДЕЯ 11 · ТЪРГОВСКО ПАРТНЬОРСТВО

Оферта за търговско сътрудничество с техническа помощ

Регистрирана оферта в Enterprise Europe Network (EEN) за Commercial Agreement with Technical Assistance с партньори от промишлеността (250+ служители, МНК >500). Контакт: info.tontchevpress@gmail.com

Технологична оферта — ключови параметри

ПараметърСтойност / Описание
Входни параметри2 до 10 параметъра на технологичния процес
Основа на изчислениятаЕкспериментални и симулационни данни; регресионни модели; ANN
Статус на разработкатаВече на пазара · Налично за демонстрация · Secret know-how
Тип партньорствоCommercial Agreement with Technical Assistance
Целеви партньориИндустрия 250–499; МНК >500 служители; Изобретатели
Целеви пазариАвстрия, Чехия, Франция, Германия, Великобритания, Китай, Русия, Турция, САЩ
NACE кодове62.0.3 (IT управление) · M.70.2 (Мениджмент консултации) · C.24.1 (Черна металургия) · C.24.5 (Леене на метали)
Технологични ключови думиУправление на процеси · Технология на материалите · Математика/Статистика · Покрития
Enterprise Europe Network ВТУ „Тодор Каблешков" БАН — Институт по металознание Фонд „Научни изследвания" ДДВУ-02/11 MADMML® Software

Стратегическа технология: Лазерна обработка

Нека разгледаме пример за стратегическа технология — лазерната технология. Качеството като изходен параметър се определя от специфичен показател: твърдост, износоустойчивост, якост, пластичност, жилавост и др. на обработвания продукт.

Тези качествени параметри зависят от входните параметри на процеса — вградени в основата на тетраедъра. По тези въпроси не може да се изгради обща, всеобхватна теория.

Предлагаме механизъм за оптимизиране на всяка технология в случаите, когато са налице данни. Данните са в строг формат и управляват решението. Оптимизирането е възможно по отношение на енергийна ефективност и производителност, което облагодетелства конкурентния пазар.

Тетраедър на лазерния процес — входни и изходни параметри

Фиг. 1 — Тетраедър на лазерния процес: качество на процеса, технологичен процес (маркиране, нагряване, топене, изпаряване), енергийна ефективност (мощност / плътност на енергията) и времево въздействие (скорост, честота, трайност на импулса).

Иновацията: Система за вземане на технологични решения

Иновацията, с която са решени повече от 10 технологии, се свежда до използването на система, подпомагаща вземането на технологични решения — т. нар. „съветник". Анализът на взаимното влияние на набор от три, четири или повече управляващи параметъра е сложен, но системата го прави достъпен и нагледен.

1

Точното комплексно взаимодействие между параметрите като стойност и нормализиран процент от максимума. Взаимодействието е визуализирано и може да бъде итеративно обосновано чрез прецизиране на цветовите интервали. Всички доказателства се включват в доклада.

2

Стойностите на управляващите параметри и изследваните величини са зададени в дружелюбно-ориентирана система, работеща с цветове при достигане на желаното решение за максимум или минимум.

3

Системата е успешно приложена за определяне на комплекс от свойства с противоречив характер. За предварително зададени предпочитания се определя граничният праг на всеки критерий и управляващите стойности, съответстващи на пълния набор.

4

Успешно приложена при сравняване на два или повече материала, подложени на една и съща технология, с цел доказване на ефективността и превъзходството.

5

Системата е приложена при вариране на технологичен процес за клас материали с цел идентифициране на оптималните параметри на процеса при различни материали и условия.

Области на приложение

Лазерно закаляване Повърхностно третиране Машиностроене Материалознание Прецизни технологии Енергийна ефективност

Изследване: DEFMOT при лазерно уякчаване на зъбни предавки

Лазерно уякчаване Зъбни предавки 42CrMo4 · C45 Многокритериална оптимизация Парето-оптимални режими
2Материала
4Управляващи фактора
5+Целеви функции
0.963R² (CHD модел)

Представено е систематичното приложение на авторския подход DEFMOT върху реален технологичен проблем — лазерното уякчаване на зъбни предавки. DEFMOT не търси единствено „най-доброто" решение, а цялото множество от Парето-оптимални компромиси, работейки изцяло в равнината на управляващите параметри.

Изследвани са две стомани (42CrMo4 и C45), четири управляващи фактора (мощност P, скорост на сканиране v, брой проходи n, припокриване O) и пет целеви функции (дълбочина CHD, твърдост HV1, грапавост Sa/Sz/Sq, специфична енергия EL).

Методология DEFMOT — 5 Етапа

1

Дефиниране на алтернативите и критериите

Всяка експериментална точка е алтернатива. Критериите се дефинират с ориентация — max: CHD, HV1, v; min: Sa, Sz, Sq, EL, ti.

2

Нормализация на критериите

Всички критерии се нормализират в [0, 1] по формулата: Nⱼ = (yⱼ − yⱼᵐⁱⁿ) / (yⱼᵐᵃˣ − yⱼᵐⁱⁿ), осигурявайки съпоставимост.

3

Дискретни контурни диаграми за всеки критерий

В равнината (P, v), при фиксирани n=3 и O=30%, се изграждат контурни диаграми с пет цветови интервала (0–20% … 80–100%) за CHD, HV1, Sa и EL поотделно.

4

Скаларизация — Песимистична функция Fpes

Вместо да се разглеждат критериите поотделно, се прилага скаларизиращ подход: за всяка точка се взема минимумът от нормализираните стойности. Зоната Fpes > 80% съдържа Парето-оптималните решения.

5

Итеративно локализиране на Парето-фронта

Чрез три итерации с преместващи се ограничения областта на търсене се стеснява от груба мрежа (9 точки) до фина зона ≈ 1420–1480 W × 3.3–3.8 mm/s, съдържаща няколко Парето-оптимални режима.

Скаларизираща функция — Песимистичен подход
Fpes  =  min(NCHD,  NHV,  1 − NSa)
Максимизирането на Fₚₑₛ гарантира, че всички критерии едновременно са на приемливо ниво — няма компромис само в едно направление.

Оптимални режими — 42CrMo4

v (mm/s)Popt (kW)FpesCHD (mm)HV1Sa (µm)EL (J/mm)
113.40.3311.2807342.156262
143.50.2791.0707540.732250
153.50.3021.1357401.107233
163.4 Оптим.0.4001.2357461.878212.5

Режим R1 — Абсолютен оптимум (42CrMo4)

2.78CHD (mm)
765HV1 (твърдост)
0.56Sa (µm)
1.24EL (kJ/mm)

Режим R1 е постигнат при P = 1450 W, v = 3.5 mm/s, n = 3, O = 30%. Твърдостният профил започва от 863 HV на повърхността, спада до 550 HV на дълбочина 2.78 mm и достига 330 HV в сърцевината — плавен градиент, благоприятен за контактна умора.

Сравнение на материалите: 42CrMo4 vs C45

42CrMo4
  • По-голяма закаляемост — по-дълбок HAZ при еднакви P и v
  • CHD до 2.78 mm
  • Твърдост до 765 HV1
  • Изисква по-висока специфична енергия
  • Препоръчан при высоки натоварвания
C45
  • По-ниска закаляемост — оптималната зона се измества към по-висока v
  • Постига сравнима твърдост при по-ниска мощност
  • По-икономичен избор
  • Препоръчан при средни натоварвания

Регресионни модели — Коефициенти на детерминация R²

CHD: R² = 0.963
HV1: R² ≈ 0.94
Sa: R² ≈ 0.91
EL: R² ≈ 0.98

Пълен квадратичен регресионен модел с взаимодействие P×v и категориални фактори Steel (0=42CrMo4, 1=C45) и Quench (0=самозакаляване, 1=полимер). Всички коефициенти са статистически значими при α = 0.05.

Заинтересовани? Свържете се с нас

Ако имате идеи за сътрудничество, изследователски проекти или искате да научите повече за прилагането на системата — пишете ни директно.

Пишете ни Поръчайте книга
Tontchev Press · Collaboration

In Perspective

Opportunities for future collaboration in the optimisation of manufacturing and laser technologies — data-driven, visualised, repeatable.

Energy Efficiency Laser Technologies Multi-Criteria Optimisation Open Collaboration
⚡

Laser Welding of Dissimilar Materials: Copper (Cu-ETP) – Stainless Steel (AISI 316L)

Synergic control of asymmetric offset and circular oscillation — ideas emerging from the monograph
Prof. Dr. Eng. K. Krastanov VTU "Todor Kableshkov" — 2026 21 chapters · 50 samples TRL 6 → TRL 9 Patent BGIEP
10.1 kN
Fs ≥ 9.8 kN required
Shear strength
13 μΩ
USL = 20 μΩ
Contact resistance
0 %
at n = 50 samples
Defects / cracks
130 k€
IRR 19.4% · PP 5.2 yr
NPV (25 yr, 7%)

The synergic laser technology overcomes the fundamental metallurgical barriers in welding copper to stainless steel — two materials separated by a 41:1 conductivity ratio and a 350°C melting-point gap. Through simultaneous asymmetric beam offset (D = 0.70 mm), circular oscillation (A = 2.5 mm, f = 55 Hz), and the ERNiCu-7 buffer filler, the technology achieves zero defects across 50 independent samples. The monograph formulates nine concrete ideas structured across three time horizons and three industrial transfer models.

Innovation Roadmap — Three Time Horizons

2026 – 2028

Short-term Priorities

  • Closed-loop power control: Photodiode detector + PID (100 Hz) reduces σ_P from 0.05 → 0.01 kW; Cpk_Fs from 0.98 → 1.15. Budget: 1 500 EUR + 2 person-months, 6-month timeline.
  • AI defect prediction: LSTM network (AE sensor + optical spectrometer, 500 training samples), accuracy >90%, latency <10 ms; scrap rate −50%.
  • Design Space for thin profiles (0.5–2.0 mm): DOE for Cu 0.6 mm / SS 1.0 mm — new WPS for EV battery tabs (expected Fs = 4.5–5.5 kN).
2028 – 2032

Medium-term Priorities

  • Hybrid laser-ultrasonic welding: 20 kHz / 1 kW transducer refines grain size (17 → 12 μm), reduces porosity (0.15 → 0.05%) and raises Fs to 11.5 kN.
  • DED transition layers: Pre-deposited Ni layer (0.2 mm DED) eliminates the wire feeder and provides uniform Ni distribution — autogenous welding.
  • Multi-material optimisation: Extend methodology to Cu/Ti-6Al-4V (aerospace), Cu/Al 6061 (EV), and AISI 316L/Invar 36 (optoelectronics).
2032 – 2040

Long-term Perspectives

  • Green hydrogen (PEM): Cu-Ti and Cu-Pt current-carrying joints for proton-exchange membrane electrolysers (pH 0–2, 80°C).
  • Quantum technologies: Cryogenic Cu-SS joints at 4–15 K with R_joint <1 μΩ for superconducting magnets and quantum communication systems.
  • Industry 5.0 – cobot integration: Replace ABB IRB 2600 with UR20 cobot (no safety fence), CAPEX −30% (≈ 70 000 EUR), σ_D ≈ 0.03 mm at 1 000 Hz camera.

Three Industrial Transfer Models (TRL 6 → TRL 9)

Option 1

WPS Licensing

15 000 EUR + 1 EUR/joint

Client purchases the laser system. We supply WPS documentation, parameter configuration and training. Royalty up to 100 000 joints/year.

Option 2

Turnkey Production Cell

≈ 120 000 EUR

Full system delivery and installation (laser, galvanometer, robot, camera, software). Output: 50 joints/hour. No royalties.

Option 3

Joint Venture (JV)

10–20 % equity stake

For the EV battery market (CATL, LG, Tesla) — we provide technology and patent; the partner provides production lines and market access.

Potential Industrial Partners (pilot deployment)

Asarel Medet AD — chlor-alkali electrodes Monbat AD — EV batteries Electroaparatura Pazardzhik — HV circuit breakers
📐

Engineering Drawing in the Industry 4.0 / 5.0 Era

Series of 4 research articles · Tontchev Press Ltd · 2026 · Topics: MBD, Digital Twin, AI in CAD, Projective Geometry

4 articles BS 8888:2025 / ISO 16792 Industry 4.0 → 5.0 MBD · Digital Twin · AI-CAD Academic standard
75%reductiondesign-to-production cycle via MBD (NIST)
80–90%automationroutine CAD tasks — Neural CAD (Autodesk 2025)
200×fasterAI recognition of 2D drawings vs. manual methods
+20%productivitywith full Industry 4.0 deployment

The four authored articles map the full transformation — from classical 2D drawing (Madsen, 1991; Morling & Danjou, 2022) and Soviet-era descriptive geometry to Model-Based Definition (MBD), the Digital Twin, and AI-driven design. The research argues that spatial thinking remains indispensable in Industry 5.0, while routine drawing evolves into product-information management in a digital environment.

Article 1
From Traditional Drawing to Intelligent Digital Twin
Basis: Madsen (1991) + BS 8888:2025
  • MBD — 3D model as single source of truth
  • Neural CAD — automates 80–90% of design tasks
  • AI recognition 200× faster than manual methods
  • Digital Twin — closed loop between design intent and operation
Article 2
From Geometric Constructions to Digital Definitions
Basis: Morling & Danjou (2022, 4th ed.)
  • ISO 128, 129, 286, 1101, 16792 — updated normative base
  • Generative design and AI auto-dimensioning
  • 7 key competencies for the modern design engineer
  • Industry 5.0 — sustainability and human-centricity
Article 3
Paradigm Shift from Projective Geometry to the Digital Twin
Basis: Soviet-era textbooks (1954–1960) + modern AI research
  • Epipolar geometry — core of computer vision
  • YOLOv4 + Siemens NX: 2D → 3D automatic reconstruction
  • AR ProjecTwin — spatial augmented reality framework
  • Education: from manual drawing to 3D spatial cognition
Article 4
Challenges, Technologies and Future Perspectives in the Industry 4.0 Transition
Basis: Kagermann et al. (2013) + IIoT / Quality 4.0
  • 9 technology pillars: CPS, IoT, AI, Digital Twin, Cobots…
  • Quality 4.0 — proactive data-driven quality assurance
  • +20% output, +20% labour productivity, −15% costs
  • 4-level framework: strategic → technology → operational → human
🗓 Implementation Roadmap
Short-term 2026–2028
  • Publication of the series in peer-reviewed IEEE/MDPI journals
  • Curriculum development for MBD and 3D CAD courses
  • "Engineering Drawing in Industry 4.0" workshops
Medium-term 2028–2032
  • Interactive digital textbook with embedded 3D models
  • Consulting services for MBD adoption in SMEs
  • Pilot Digital Twin design laboratory
Long-term 2032–2040
  • Standardisation of AI-assisted design (ISO proposals)
  • Integration into national educational standards
  • Industry 5.0 cobot-assisted design platform
💼 Transfer Models
Licensing
MBD Curriculum Package
8,000 EUR / contract

Full teaching package: lectures, exercises, assessment. Universities & vocational schools.

Consulting
Industry 4.0 Transition Audit
from 3,500 EUR

Maturity assessment, roadmap and implementation plan for smart manufacturing.

Partnership
Joint Research
by negotiation

Development of AI-CAD tools, Digital Twin platforms and educational software.

🤝 Target Partners
Technical Universities — BG IEEE Bulgaria Section Siemens Digital Industries Autodesk Education VTU "Todor Kableshkov"
⚙

DEFMOT — Multi-Criteria Optimisation with Moving Constraints

A universal computational approach for designing mode parameters of technological processes and metallurgical synthesis — directly applicable in chemical, biological, mechanical and environmental engineering.

Protected 2021 MADMML® Software Pareto Optimality Moving Planes VTU "Todor Kableshkov"

DEFMOT (DEtermination by MOvement of constraints) is a computational approach protected in 2021, developed by Prof. Dr. Eng. Nikolay Tonchev. The methodology solves multi-criteria problems by systematically moving constraint planes in parameter space, identifying compromise vectors matching pre-defined user requirements. MADMML® simultaneously analyses 94 = 6,561 parameter combinations for four-factor models.

①
Discretisation
Input parameters X₁…Xₙ sampled within defined bounds
②
Moving Constraints
Min-Max filters iteratively narrow the effective solution region
③
Pareto Front
Ranking and classification of compromise solutions across 4 front types
6,561
COMBINATIONS
analysed simultaneously (9⁴ with 4 factors)
4
PARETO FRONTS
types of effective solutions per task
11
STEPS
to full convergence of the optimal solution
≥ 3
CRITERIA
simultaneous optimisation without trade-off loss
Real Applications — 6 Scientific Domains
01
Aluminium Alloy Casting
Prof. Dr. Eng. Rumyana Lazarova
  • X₁–X₄: temperature, fill time, cycle time, pressure
  • Y₁–Y₆: DAS parameters in 6 rim cross-sections
  • Goal: minimal DAS in all 6 sections simultaneously
✔ Maximum casting strength achieved
02
Electrolytic Restoration Coatings
Prof. Dr. Eng. Dragol Dragolov
  • X₁–X₄: Mn/Ni concentration, current density, temperature
  • Y₁: Mn content; Y₂: Ni content in coating
  • 530A40 steel (BS 970), orthogonal composition plan
✔ Max Mn + Ni deposition simultaneously
03
Homogenisation Heat Treatment
Acad. Prof. Yanko Arsov — American Eagle Wheel Co.
  • X₁–X₄: T & τ homogenisation; T & τ treatment
  • Y₁: UTS; Y₂: yield-point stress; Y₃: elongation
  • Passive experiment — different-thickness rim sections
✔ Two section types — unified regime
04
Plasma Spray Coating
Assoc. Prof. Dr. Eng. Bozhidar Dyakov
  • X₁–X₅: gas, current, distance, speed, powder feed
  • Y₁: adhesion; Y₂: microhardness; Y₃: porosity
  • Rehshafner experimental plan
✔ Optimal quality parameter control
05
Ion Nitriding of Tool Steel
Prof. Dr. Eng. Angel Zyumbilev
  • X₁–X₄: T, NH₃ pressure, τ, tempering T
  • Y₁: microhardness; Y₂: fracture toughness; Y₃: wear resistance
  • BH11, BH21, BH10 (BS 4659) — energy consumption included
✔ Min energy + specified properties
06
Mg-Zn Alloy with Ca and Sr
Prof. NAO — Dalian University of Technology
  • X₁–X₄: Ca, Sr, ageing T (°C), ageing τ (h)
  • Y₁: UTS 81.39%; Y₂: El. 20.69%; Y₃: HV 97.79%; Y₄: D 23.84%
  • Optimal: Ca=0.2%, Sr=0.2%, T=325°C, τ=8h
✔ 4 properties optimised simultaneously
Case Study: TN-20 vs T15K6 Abrasives in C45 Grinding
IndicatorTN-20 (tungsten-free)T15K6 (with tungsten)
Max productivity1,042.59 mm³/min1,265.42 mm³/min
Simultaneous mode90.14% — 954.15 mm³/min86.03% — 1,101.73 mm³/min
Min relative wear1.65 mg/g0.46 mg/g
Min cost6.45 €cent/cm³ (35% cheaper)4.11 €cent/cm³
Simultaneous consumption~44% moremore economical
ConclusionTN-20 can fully replace T15K6 under specific regimes — the decision is economically justified
DEFMOT Implementation Roadmap
▶ SHORT-TERM 2026–2028
  • Identify technological process and objective functions
  • Design and conduct active/passive experiments
  • Regression analysis and model verification
  • First MADMML® application — baseline results
▶ MID-TERM 2028–2032
  • Multi-criteria optimisation with 3–5 criteria
  • Pareto analysis and ranking of compromise solutions
  • Comparative analysis between competing materials/processes
  • Staff training and competence transfer
▶ LONG-TERM 2032–2040
  • Integration with AI/ML for automatic model generation
  • Online DEFMOT platform as a service (SaaS)
  • Application in biological and environmental systems
  • International publications and patent protection
⬡ Target Partners for DEFMOT-Based Projects
Mechanical Engineering Enterprises Metallurgical Plants Automotive Industry Chemical Technologies VTU "Todor Kableshkov" Technical Universities — BG Dalian University of Technology IEEE Bulgaria Section
⚗

Materials Modelling, Optimisation & Selection — Technology Offer & Scientific Contributions

A universal computational approach for modelling, optimisation, and automated design of manufacturing processes — applicable to metallurgy, mechanical engineering, and production technologies.

Technology Offer (EEN) Secret know-how MADMML® Software Pareto Front VTU "T. Kableshkov" Already on the market

This approach was developed over more than 25 years of research by Prof. DSc Eng. Nikolay Tontchev and is formalised in a Technology Offer registered with Enterprise Europe Network (EEN), targeting commercial partners in Austria, Czech Republic, France, Germany, the United Kingdom, China, Russia, Turkey, and the USA. The approach is powered by the proprietary MADMML® software and is officially classified as secret know-how. It integrates regression analysis, artificial neural networks (ANN/MLP), and multicriteria optimisation with a Pareto front to determine optimal composition and processing regimes for alloys.

IDEA 01 · TECHNOLOGY OFFER

Optimisation of New and Non-Established Technologies

A service for designing process parameters for any manufacturing technology, guaranteeing target performance by analysing 2–10 input parameters. Applicable to chemical, mechanical, biological, and environmental engineering.

IDEA 02 · SCIENTIFIC CONTRIBUTION

Multicriteria Approach for Steel Alloying

Proven method: modelling the properties of iron-based materials as a function of chemical composition enables effective solutions via a Pareto front evaluating strength, ductility, and hardness simultaneously.

IDEA 03 · NEW THEORY

K_MW Indicator for Technological Cost

Generalised indicator KMW for different steel classes enabling assessment and comparison of technological routes for blanks in the metalworking industry, based on technological and organisational characteristics.

IDEA 04 · AUTOMATED SELECTION

Material Selection Methodology with Energy Control

Methodology for selecting materials from a steel class ensuring the required property complex while controlling energy costs during thermo-chemical treatment — implemented via MADMML® software.

IDEA 05 · TAGUCHI METHOD

Two-Parameter Multicriteria Optimisation

Multicriteria procedure based on the Taguchi method for determining alloying element quantities while ensuring quality for two simultaneously controlled parameters — refines alloy composition.

IDEA 06 · SMALL DATA

Optimisation with a Limited Database

Demonstrated capability to improve properties of martensitic-class steels via a multicriteria procedure using a small database — a key advantage over conventional ANN methods.

IDEA 07 · ANN + GA

ANN + Genetic Algorithm for Alloying Optimisation

Investigation of the influence of individual alloying elements on final properties via ANN (MLP) and a genetic algorithm — results published in the Journal of Materials Sciences and Engineering with Advanced Technology.

IDEA 08 · AUTOMOTIVE

AHSS Steels — 25–35% Weight Reduction

Introducing Advanced High Strength Steels (AHSS) reduces vehicle body weight by 25%; third-generation grades target 35%. Direct impact on fuel consumption, CO₂ emissions, and environmental performance.

IDEA 09 · CAE OPTIMISATION

Simulation-Based CAE Optimisation

Optimisation of Computer Aided Engineering (CAE) simulations to reach rational technological options — predicting defects, microstructure, mechanical properties, and a broad range of metalworking technologies.

IDEA 10 · MACHINABILITY

Effect of Alloying on Cutting Machinability

For the first time in the literature, optimal machining conditions were determined and the influence of alloying elements and mechanical characteristics on this technological parameter was systematically investigated.

IDEA 11 · COMMERCIAL PARTNERSHIP

Commercial Agreement with Technical Assistance

Registered EEN offer for a Commercial Agreement with Technical Assistance targeting industry partners (250+ employees, MNE >500). Contact: info.tontchevpress@gmail.com

Technology Offer — Key Parameters

ParameterValue / Description
Input parameters2 to 10 process parameters
Calculation basisExperimental & simulation data; regression models; ANN
Development stageAlready on the market · Available for demonstration · Secret know-how
Partnership typeCommercial Agreement with Technical Assistance
Target partnersIndustry 250–499; MNE >500 employees; Inventors
Target marketsAustria, Czech Republic, France, Germany, UK, China, Russia, Turkey, USA
NACE codes62.0.3 (IT mgmt) · M.70.2 (Management consulting) · C.24.1 (Basic steel) · C.24.5 (Metal casting)
Technology keywordsProcess control · Materials Technology · Mathematics/Statistics · Coatings
Enterprise Europe Network VTU "T. Kableshkov" BAS — Institute of Metal Science NSF Grant DDVU-02/11 MADMML® Software

Strategic Technology: Laser Processing

Consider a strategic technology such as laser technology. Quality as an output parameter is determined by a specific indicator — hardness, wear resistance, strength, plasticity, toughness, etc. — of the processed product.

These quality parameters depend on the input parameters of the process, embedded in the base of the tetrahedron. No comprehensive, general theory can be built on these issues alone.

A mechanism for optimising each technology is proposed for cases where data is available. The data is in a strict format and drives the decision. Optimisation is possible in terms of energy efficiency and throughput, which benefits the competitive market.

Laser process tetrahedron — input and output parameters

Fig. 1 — Laser process tetrahedron: process quality, technological process (marking, heating, melting, evaporation), energy efficiency (power / energy density), and time of impact (speed, frequency, pulse duration).

The Innovation: A Technological Decision-Support System

The innovation with which more than 10 technologies have been solved is reduced to the use of a system supporting the making of technological decisions — the so-called "counsellor". Analysis of the mutual influence of three, four or more control parameters is complex, but the system makes it accessible and intuitive.

1

The exact complex interaction between parameters as a value and normalised percentage of the maximum. The interaction is visualised and can be iteratively justified by refining colour intervals. All evidence is placed in the report.

2

The values of control parameters and examined quantities are specified in a user-friendly colour-coded system, initially working with colours when reaching the desired solution for maximum or minimum.

3

Successfully applied to determine a complex of contradictory properties. For preset preferences, the boundary threshold of each criterion is determined; for the completed set, the governing values to which it corresponds are defined.

4

Successfully applied when comparing two or more materials subjected to the same technology in order to prove effectiveness and superiority.

5

Applied when varying a technological process for a class of materials in order to identify the optimal process parameters under different materials and conditions.

Application Areas

Laser Hardening Surface Treatment Mechanical Engineering Materials Science Precision Technologies Energy Efficiency

Research Study: DEFMOT Applied to Laser Hardening of Gear Transmissions

Laser Hardening Gear Transmissions 42CrMo4 · C45 Multi-Criteria Optimisation Pareto-Optimal Regimes
2Materials
4Control Factors
5+Objective Functions
0.963R² (CHD Model)

A systematic application of the DEFMOT methodology to laser hardening of gear transmissions. DEFMOT does not seek a single "best" solution but the complete set of Pareto-optimal trade-offs, operating entirely in the space of control parameters.

Two steels (42CrMo4 and C45) are studied across four control factors (power P, scanning speed v, number of passes n, overlap O) and five objectives (case hardening depth CHD, hardness HV1, roughness Sa/Sz/Sq, specific energy EL).

DEFMOT Methodology — 5 Stages

1

Define Alternatives and Criteria

Each experimental point is an alternative. Criteria are tagged with direction — max: CHD, HV1, v; min: Sa, Sz, Sq, EL, ti.

2

Normalise Criteria

All criteria are normalised to [0, 1] via Nⱼ = (yⱼ − yⱼᵐⁱⁿ) / (yⱼᵐᵃˣ − yⱼᵐⁱⁿ), ensuring cross-criterion comparability.

3

Discrete Contour Diagrams per Criterion

In the (P, v) plane with n=3 and O=30% fixed, contour maps with five colour bands (0–20% … 80–100%) are built for CHD, HV1, Sa and EL individually.

4

Scalarisation — Pessimistic Function Fpes

Rather than examining criteria separately, a scalarising function takes the minimum normalised value for each point. The region where Fpes > 80% contains the Pareto-optimal solutions.

5

Iterative Pareto-Front Localisation

Three iterations with moving constraints narrow the search from a coarse 9-point grid to a fine zone ≈ 1420–1480 W × 3.3–3.8 mm/s containing multiple Pareto-optimal regimes.

Scalarising Function — Pessimistic Approach
Fpes  =  min(NCHD,  NHV,  1 − NSa)
Maximising Fpes ensures all criteria are simultaneously at an acceptable level — no compromise in a single direction.

Optimal Regimes — 42CrMo4

v (mm/s)Popt (kW)FpesCHD (mm)HV1Sa (µm)EL (J/mm)
113.40.3311.2807342.156262
143.50.2791.0707540.732250
153.50.3021.1357401.107233
163.4 Optimal0.4001.2357461.878212.5

Regime R1 — Absolute Optimum (42CrMo4)

2.78CHD (mm)
765HV1 (hardness)
0.56Sa (µm)
1.24EL (kJ/mm)

Regime R1 achieved at P = 1450 W, v = 3.5 mm/s, n = 3, O = 30%. The hardness profile starts at 863 HV at the surface, drops to 550 HV at 2.78 mm depth and reaches 330 HV at the core — a smooth gradient favourable for contact fatigue.

Material Comparison: 42CrMo4 vs C45

42CrMo4
  • Higher hardenability — deeper HAZ at equal P and v
  • CHD up to 2.78 mm
  • Hardness up to 765 HV1
  • Requires higher specific energy
  • Recommended for heavy-duty applications
C45
  • Lower hardenability — optimal zone shifts to higher v
  • Achieves comparable hardness at lower power
  • More economical choice
  • Recommended for medium-duty applications

Regression Models — R² Summary

CHD: R² = 0.963
HV1: R² ≈ 0.94
Sa: R² ≈ 0.91
EL: R² ≈ 0.98

Full quadratic regression model with P×v interaction and categorical factors Steel (0=42CrMo4, 1=C45) and Quench (0=self-quenching, 1=polymer). All coefficients are statistically significant at α = 0.05.

Interested? Get in Touch

If you have ideas for collaboration, research projects, or want to learn more about applying the system — write to us directly.

Contact Us Order a Book
通切夫出版社 · 合作

展望未来

在制造业和激光技术优化领域的未来合作机会——基于数据、可视化、可重复。

能源效率 激光技术 多准则优化 开放合作
⚡

异种材料激光焊接：铜 (Cu-ETP) — 不锈钢 (AISI 316L)

非对称偏移与圆形振荡的协同控制 — 专著提出的创新构想
克拉斯季米尔·克拉斯塔诺夫教授 VTU "托多尔·卡布列什科夫" — 2026 21章 · 50个样品 TRL 6 → TRL 9 BGIEP专利
10.1 kN
要求Fs ≥ 9.8 kN
剪切强度
13 μΩ
USL = 20 μΩ
接触电阻
0 %
n = 50个样品
缺陷/裂纹
13万€
IRR 19.4% · 回收5.2年
净现值（25年，7%）

协同激光技术突破了铜与不锈钢焊接的根本冶金障碍——两种材料之间电导率比为41:1，熔点差350°C。通过同时施加非对称光束偏移（D = 0.70 mm）、圆形振荡（A = 2.5 mm，f = 55 Hz）以及ERNiCu-7缓冲填充材料，该技术在50个独立样品中实现零缺陷。专著提出9个具体创新构想，按三个时间层次和三种工业转化模式进行结构化规划。

创新路线图 — 三个时间层次

2026 – 2028

近期优先项

  • 功率闭环控制：光电探测器+PID（100 Hz），σ_P从0.05→0.01 kW，Cpk_Fs从0.98→1.15。预算：1 500欧元+2人月，6个月。
  • AI缺陷预测：LSTM网络（AE传感器+光谱仪，500训练样品），准确率>90%，延迟<10 ms，废品率降低50%。
  • 薄截面设计空间（0.5–2.0 mm）：Cu 0.6 mm/SS 1.0 mm的DOE实验——为电动汽车电池电极制定新WPS（预期Fs = 4.5–5.5 kN）。
2028 – 2032

中期优先项

  • 激光-超声混合焊接：20 kHz/1 kW换能器细化晶粒（17→12 μm），降低气孔率（0.15→0.05%），Fs提升至11.5 kN。
  • DED过渡层增材制造：预先沉积0.2 mm镍层（DED），消除送丝装置，实现均匀镍分布——自熔焊接。
  • 多材料优化：将方法论扩展至Cu/Ti-6Al-4V（航空航天）、Cu/Al 6061（电动车）和AISI 316L/Invar 36（光电）。
2032 – 2040

长期展望

  • 绿色氢能（PEM）：用于质子交换膜电解槽（pH 0–2，80°C）的Cu-Ti和Cu-Pt导电接头。
  • 量子技术：4–15 K低温Cu-SS接头，R_joint <1 μΩ，用于超导磁体和量子通信系统。
  • 工业5.0 — 协作机器人集成：用UR20协作机器人替换ABB IRB 2600（无防护围栏），CAPEX降低30%（≈7万欧元），σ_D ≈ 0.03 mm（1 000 Hz相机）。

三种工业转化模式（TRL 6 → TRL 9）

方案一

WPS许可授权

15 000€ + 1€/焊接接头

客户购买激光系统，我们提供WPS文档、参数配置和培训。版税上限：10万个接头/年。

方案二

交钥匙生产单元

≈ 120 000€

全套系统交付与安装（激光、振镜、机器人、摄像头、软件）。产能：50个接头/小时。无版税。

方案三

合资企业（JV）

10–20% 股权

面向电动汽车电池市场（宁德时代、LG、特斯拉）——我们提供技术和专利；合作方提供生产线和市场渠道。

潜在工业合作伙伴（试点部署）

Asarel Medet AD — 氯碱电极 Monbat AD — 电动汽车电池 Electroaparatura Pazardzhik — 高压断路器
📐

工业4.0/5.0时代的工程制图

4篇研究论文系列 · Tontchev Press · 2026 · 主题：MBD、数字孪生、AI辅助CAD、射影几何

4篇论文 BS 8888:2025 / ISO 16792 工业4.0 → 5.0 MBD · 数字孪生 · AI-CAD 学术标准
75%缩短设计至生产周期（NIST，MBD实施后）
80–90%自动化常规CAD任务 — Neural CAD（Autodesk 2025）
200×更快AI识别2D工程图纸 vs 手动方法
+20%生产力提升全面部署工业4.0后

四篇论文系统地绘制了从经典二维工程制图（Madsen, 1991；Morling & Danjou, 2022）和苏联时代画法几何到基于模型的定义（MBD）、数字孪生和AI驱动设计的完整转型路径。研究论证，空间思维在工业5.0中依然不可替代，而日常制图正演变为数字环境中的产品信息管理。

论文一
从传统图纸到智能数字孪生
基础：Madsen (1991) + BS 8888:2025
  • MBD — 三维模型作为"唯一真相来源"
  • Neural CAD — 自动化80-90%的设计任务
  • AI识别速度比手动方法快200倍
  • 数字孪生 — 设计意图与运营之间的闭环
论文二
从几何构造到数字定义
基础：Morling & Danjou (2022, 第4版)
  • ISO 128、129、286、1101、16792 — 最新规范体系
  • 生成式设计与AI自动标注
  • 现代工程师的7项核心能力
  • 工业5.0 — 可持续性与以人为本
论文三
从射影几何到数字孪生的范式转变
基础：苏联时代教材（1954–1960）+ 现代AI研究
  • 极线几何 — 计算机视觉的核心
  • YOLOv4 + Siemens NX：2D → 3D自动重建
  • AR ProjecTwin — 空间增强现实框架
  • 教育：从手工绘图到三维空间认知
论文四
工业4.0转型的挑战、技术与未来展望
基础：Kagermann等（2013）+ IIoT / Quality 4.0
  • 9大技术支柱：CPS、IoT、AI、数字孪生、协作机器人…
  • Quality 4.0 — 主动的数据驱动质量保证
  • +20%产出、+20%劳动生产率、−15%成本
  • 4级框架：战略 → 技术 → 运营 → 人本
🗓 实施路线图
短期 2026–2028
  • 在IEEE/MDPI期刊发表论文系列
  • 开发MBD和3D CAD课程
  • "工业4.0工程制图"研讨会
中期 2028–2032
  • 嵌入式3D模型互动数字教材
  • 为中小企业提供MBD实施咨询
  • 数字孪生设计试点实验室
长期 2032–2040
  • AI辅助设计标准化（ISO提案）
  • 纳入国家教育标准
  • 工业5.0协作机器人辅助设计平台
💼 转让模式
授权
MBD课程包
8,000 EUR / 合同

完整教学包：讲义、练习、考核。面向大学及职业院校。

咨询
工业4.0转型审计
起价 3,500 EUR

成熟度评估、路线图及智能制造实施方案。

合作
联合研究
协商确定

AI-CAD工具、数字孪生平台和教育软件的共同开发。

🤝 目标合作伙伴
保加利亚理工大学 IEEE保加利亚分会 西门子数字工业 Autodesk教育 VTU"托多尔·卡布列什科夫"
⚙

DEFMOT — 移动约束多准则优化方法

用于设计工艺过程模式参数和冶金合成的通用计算方法——可直接应用于化学、生物、机械和环境工程领域。

2021年受保护 MADMML®软件 帕累托最优 移动约束平面 VTU"托多尔·卡布莱什科夫"

DEFMOT（通过移动约束确定最优解）是由尼古拉·通切夫教授于2021年受保护的计算方法。该方法通过在参数空间内系统移动约束平面来求解多准则问题， 识别符合用户预定要求的折中向量。MADMML®软件可同时分析四因素模型的94 = 6,561种参数组合。

①
离散化
在规定范围内对输入参数X₁…Xₙ进行采样
②
移动约束
最小-最大过滤器迭代缩小有效解区域
③
帕累托前沿
在4类前沿中对折中解进行排序和分类
6,561
组合数
4因素模型同时分析（9⁴）
4
帕累托前沿
每个任务的有效解类型
11
迭代步数
达到最优解完全收敛
≥ 3
优化准则
同时优化无需权衡损失
实际应用 — 6个科学领域
01
铝合金铸造
工程学博士教授 鲁米亚娜·拉扎罗娃
  • X₁–X₄：温度、充型时间、周期、压力
  • Y₁–Y₆：轮毂6个截面的DAS参数
  • 目标：同时使6个截面DAS值最小
✔ 获得最高铸件强度
02
电解修复涂层
工程学博士教授 德拉戈尔·德拉戈洛夫
  • X₁–X₄：Mn/Ni浓度、电流密度、温度
  • Y₁：涂层Mn含量；Y₂：涂层Ni含量
  • 530A40钢（BS 970），正交组合设计
✔ 同时最大化Mn+Ni沉积量
03
均匀化热处理
院士教授 扬科·阿尔索夫 — 美国鹰轮公司
  • X₁–X₄：均匀化T和τ；处理T和τ
  • Y₁：抗拉强度；Y₂：屈服强度；Y₃：延伸率
  • 被动试验——不同厚度轮缘截面
✔ 两类截面统一工艺制度
04
等离子喷涂
副教授 博日达尔·迪亚科夫
  • X₁–X₅：气体、电流、距离、速度、粉末送给
  • Y₁：附着力；Y₂：显微硬度；Y₃：孔隙率
  • 雷沙夫纳实验计划
✔ 质量参数最优控制
05
工具钢离子氮化
工程学博士教授 安格尔·久姆比列夫
  • X₁–X₄：T、NH₃压力、τ、回火T
  • Y₁：显微硬度；Y₂：断裂韧性；Y₃：耐磨性
  • BH11, BH21, BH10 (BS 4659) — 含能耗优化
✔ 最低能耗+规定性能
06
含Ca和Sr的Mg-Zn合金
NAO教授 — 大连理工大学
  • X₁–X₄：Ca、Sr、时效T（°C）、时效τ（h）
  • Y₁：UTS 81.39%；Y₂：延伸率20.69%；Y₃：HV 97.79%；Y₄：D 23.84%
  • 最优：Ca=0.2%，Sr=0.2%，T=325°C，τ=8h
✔ 4项性能同时优化
案例分析：TN-20与T15K6磨料在C45钢磨削中的比较
指标TN-20（无钨）T15K6（含钨）
最大生产率1,042.59 mm³/min1,265.42 mm³/min
同时优化模式90.14% — 954.15 mm³/min86.03% — 1,101.73 mm³/min
最小相对磨耗1.65 mg/g0.46 mg/g
最低成本6.45欧分/cm³（便宜35%）4.11欧分/cm³
结论TN-20在特定工艺制度下可完全替代T15K6 — 经济上合理
DEFMOT实施路线图
▶ 短期 2026–2028
  • 识别工艺过程和目标函数
  • 设计并开展主动/被动试验
  • 回归分析和模型验证
  • 首次MADMML®应用——基础结果
▶ 中期 2028–2032
  • 3–5个准则的多准则优化
  • 帕累托分析和折中解排序
  • 竞争材料/工艺比较分析
  • 人员培训和能力转移
▶ 长期 2032–2040
  • 与AI/ML集成实现模型自动生成
  • DEFMOT在线平台即服务（SaaS）
  • 在生物和环境系统中的应用
  • 国际论文发表和专利保护
⬡ DEFMOT项目目标合作伙伴
机械制造企业 冶金工厂 汽车工业 化工技术 保加利亚技术大学 大连理工大学 IEEE保加利亚分部
⚗

材料建模、优化与选择 — 技术要约及科学贡献

一种通用计算方法，用于制造工艺的建模、优化和自动化设计，适用于冶金、机械工程和生产技术领域。

技术要约（EEN） 专有诀窍 MADMML®软件 帕累托前沿 已投放市场

该方法由尼古拉·托恩切夫教授历经25余年研究开发，已在欧洲企业网络（EEN）正式注册为技术要约，面向奥地利、捷克、法国、德国、英国、中国、俄罗斯、土耳其和美国寻找商业合作伙伴。该方法以专有MADMML®软件为支撑，正式归类为专有诀窍，融合回归分析、人工神经网络（ANN/MLP）与帕累托前沿多目标优化，确定合金最优成分和加工工艺。

创意 01 · 技术要约

新型及非既定工艺的优化

为任何制造工艺设计工艺参数的服务，通过分析2–10个输入参数，保证达到目标性能指标，适用于化学、机械、生物和环境工程领域。

创意 02 · 科学贡献

钢材合金化多目标优化方法

已验证的方法：通过建立铁基材料性能与化学成分的函数关系，利用帕累托前沿同时评估强度、塑性和硬度，确定有效解。

创意 03 · 新理论

技术成本广义指标K_MW

针对不同钢材类别的广义指标KMW，用于评估和比较金属加工行业坯料的工艺路线。

创意 04 · 自动化选材

含能耗控制的材料选择方法论

提出并实施的方法论，用于从钢材类别中选择满足所需性能组合的材料，同时控制化学热处理的能耗，通过MADMML®软件实现。

创意 05 · 田口方法

双参数多目标优化

基于田口方法的多目标程序，确定合金元素用量，同时保证两个受控参数的质量，精确调控合金成分。

创意 06 · 小数据

有限数据库条件下的优化

在小数据库条件下，通过多目标程序改善马氏体级钢材性能的能力已得到验证——相较于传统ANN方法的关键优势。

创意 07 · ANN+遗传算法

ANN+遗传算法用于合金化优化

通过ANN（MLP）和遗传算法研究单个合金元素对最终性能的影响——成果发表于《先进技术材料科学与工程学报》。

创意 08 · 汽车工业

AHSS钢材 — 减重25–35%

引入先进高强钢（AHSS）可使车身重量减轻25%，第三代钢材目标达到35%，直接降低燃油消耗和CO₂排放。

创意 09 · CAE优化

基于仿真的CAE优化

优化计算机辅助工程（CAE）仿真，实现合理工艺方案——预测缺陷、微观组织、力学性能及广泛的金属加工工艺。

创意 10 · 可加工性

合金化对切削加工性的影响

首次在文献中系统确定最优切削条件，研究合金元素和力学特性对该工艺指标的影响。

创意 11 · 商业合作

含技术援助的商业协议

已在EEN注册的含技术援助商业协议要约，面向工业合作伙伴（250+员工，跨国企业>500人）。联系：info.tontchevpress@gmail.com

欧洲企业网络 EEN 卡布列什科夫运输大学 保加利亚科学院冶金研究所 科研基金 DDVU-02/11 MADMML® 软件

战略技术：激光加工

以激光技术为例。作为输出参数的质量由特定指标决定——硬度、耐磨性、强度、塑性、韧性等加工产品的性能。

这些质量参数取决于过程的输入参数（嵌入四面体的底部）。这些问题无法建立全面的通用理论。

本文提出了一种优化各项技术的机制，适用于有数据支撑的情况。数据格式严格，驱动决策。优化可在能源效率和产能方面进行，有利于竞争市场。

激光工艺四面体——输入输出参数

图1 — 激光工艺四面体：过程质量、工艺过程（标记、加热、熔化、蒸发）、能源效率（功率/能量密度）和作用时间（速度、频率、脉冲持续时间）。

创新：技术决策支持系统

该创新已成功解决10多项技术，其核心是使用支持技术决策的系统——即所谓的"顾问系统"。分析三个、四个或更多控制参数之间的相互影响是复杂的，但该系统使其变得直观可及。

1

参数之间的精确复杂相互作用以数值和最大值归一化百分比表示。通过细化色彩区间，可以迭代地可视化和验证相互作用。所有证据均载入报告。

2

控制参数和被测量的值在用户友好的色码系统中指定，在达到最大值或最小值的期望解时以颜色工作。

3

成功应用于确定具有矛盾性质的复杂属性。根据预设偏好确定每个准则的边界阈值；对于完整集合，确定与之对应的控制值。

4

成功应用于比较两种或多种材料进行相同技术处理时的有效性和优越性验证。

5

应用于针对一类材料的工艺变化，以识别不同材料和条件下的最优工艺参数。

应用领域

激光淬火 表面处理 机械工程 材料科学 精密技术 能源效率

研究：DEFMOT在齿轮传动激光淬火中的应用

激光淬火 齿轮传动 42CrMo4 · C45 多准则优化 帕累托最优方案
2材料
4控制因素
5+目标函数
0.963R²（CHD模型）

对DEFMOT方法在齿轮传动激光淬火中的系统应用。DEFMOT不寻求单一"最优"解，而是寻找帕累托最优折衷的完整集合，完全在控制参数空间内工作。

研究了两种钢材（42CrMo4和C45），四个控制因素（功率P、扫描速度v、扫描次数n、搭接率O）和五个目标（硬化深度CHD、硬度HV1、粗糙度Sa/Sz/Sq、比能量EL）。

DEFMOT方法论 — 5个阶段

1

定义备选方案和准则

每个实验点为一个备选方案。准则标注方向 — max：CHD、HV1、v；min：Sa、Sz、Sq、EL、ti。

2

准则归一化

所有准则通过公式 Nⱼ = (yⱼ − yⱼᵐⁱⁿ) / (yⱼᵐᵃˣ − yⱼᵐⁱⁿ) 归一化至[0,1]。

3

各准则离散等值线图

在(P, v)平面内，固定n=3和O=30%，为CHD、HV1、Sa和EL分别建立五色带等值线图。

4

标量化 — 悲观函数Fpes

标量化函数取每个点的最小归一化值。Fpes > 80%的区域包含帕累托最优解。

5

迭代帕累托前沿定位

通过三次移动约束迭代，搜索范围从粗糙的9点网格缩小到≈ 1420–1480 W × 3.3–3.8 mm/s的精细区域。

标量化函数 — 悲观方法
Fpes  =  min(NCHD,  NHV,  1 − NSa)
最大化Fpes确保所有准则同时处于可接受水平。

最优方案R1 — 42CrMo4绝对最优

2.78CHD (mm)
765HV1 (硬度)
0.56Sa (µm)
1.24EL (kJ/mm)

方案R1在P = 1450 W，v = 3.5 mm/s，n = 3，O = 30%条件下实现。硬度曲线从表面863 HV下降至2.78 mm深处550 HV，再到芯部330 HV。

材料对比：42CrMo4 vs C45

42CrMo4
  • 淬透性更高 — 相同P和v下HAZ更深
  • CHD可达 2.78 mm
  • 硬度可达 765 HV1
  • 适用于重载应用
C45
  • 淬透性较低 — 最优区域向更高v偏移
  • 在更低功率下达到相当硬度
  • 更经济的选择
  • 适用于中等负载
CHD: R² = 0.963
HV1: R² ≈ 0.94
Sa: R² ≈ 0.91
EL: R² ≈ 0.98

感兴趣？请联系我们

如果您有合作创意、研究项目，或想了解更多关于系统应用的信息，请直接与我们联系。

联系我们 订购书籍
Tontchev Press · İşbirliği

Gelecek Perspektifi

Üretim ve lazer teknolojilerinin optimizasyonunda gelecekteki işbirliği fırsatları — veri odaklı, görselleştirilmiş, tekrarlanabilir.

Enerji Verimliliği Lazer Teknolojileri Çok Kriterli Optimizasyon Açık İşbirliği
⚡

Farklı Malzemelerin Lazer Kaynağı: Bakır (Cu-ETP) – Paslanmaz Çelik (AISI 316L)

Asimetrik ofset ve dairesel osilatif kontrolün sinerjik yönetimi — monograftan doğan fikirler
Prof. Dr. Müh. K. Krastanov VTU "Todor Kableshkov" — 2026 21 bölüm · 50 numune TRL 6 → TRL 9 BGIEP Patenti
10.1 kN
Gereksinim Fs ≥ 9.8 kN
Kesme dayanımı
13 μΩ
USL = 20 μΩ
Temas direnci
% 0
n = 50 numuneде
Hata / çatlak
130 k€
IRR %19.4 · GS 5.2 yıl
NBD (25 yıl, %7)

Sinerjik lazer teknolojisi, bakır ve paslanmaz çelik kaynağındaki temel metalurjik engelleri aşıyor; iki malzeme arasında elektrik iletkenliği oranı 41:1, erime noktası farkı 350°C. Eş zamanlı asimetrik ışın ofseti (D = 0.70 mm), dairesel osilaسیون (A = 2.5 mm, f = 55 Hz) ve ERNiCu-7 tampon dolgu malzemesi aracılığıyla teknoloji, 50 bağımsız numuneде sıfır hata oranı elde etmektedir. Monograf, üç zaman ufkuna ve üç endüstriyel transfer modeline göre yapılandırılmış dokuz somut fikir önermektedir.

İnovasyon Yol Haritası — Üç Zaman Ufku

2026 – 2028

Kısa Vadeli Öncelikler

  • Kapalı döngü güç kontrolü: Fotodiod dedektör + PID (100 Hz) σ_P'yi 0.05→0.01 kW'a, Cpk_Fs'i 0.98→1.15'e çıkarır. Bütçe: 1 500 EUR + 2 kişi-ay, 6 ay.
  • Yapay zeka ile hata tahmini: LSTM ağı (AE sensörü + optik spektrometre, 500 eğitim numunesi), doğruluk >%90, gecikme <10 ms; hurda −%50.
  • İnce profiller için tasarım uzayı (0.5–2.0 mm): Cu 0.6 mm / SS 1.0 mm için DOE — EV pil sekmeleri için yeni WPS (beklenen Fs = 4.5–5.5 kN).
2028 – 2032

Orta Vadeli Öncelikler

  • Hibrit lazer-ultrasonik kaynak: 20 kHz/1 kW transducer tane boyutunu inceltir (17→12 μm), gözenekliliği azaltır (0.15→0.05%), Fs'i 11.5 kN'a çıkarır.
  • DED geçiş katmanları: Önceden biriktirilmiş 0.2 mm Ni katmanı (DED) tel besleyiciyi ortadan kaldırır ve tekdüze Ni dağılımı sağlar — otojen kaynak.
  • Çoklu malzeme optimizasyonu: Metodolojinin Cu/Ti-6Al-4V (havacılık), Cu/Al 6061 (EV) ve AISI 316L/Invar 36 (optoelektronik) çiftlerine genişletilmesi.
2032 – 2040

Uzun Vadeli Perspektifler

  • Yeşil hidrojen (PEM): Proton değişim membranlı elektrolizörler için Cu-Ti ve Cu-Pt akım taşıyıcı bağlantılar (pH 0–2, 80°C).
  • Kuantum teknolojileri: Süperiletken mıknatıslar ve kuantum iletişim sistemleri için 4–15 K'de R_joint <1 μΩ kriyojenik Cu-SS bağlantılar.
  • Endüstri 5.0 — kobot entegrasyonu: ABB IRB 2600'ün UR20 kobotuyla değiştirilmesi (koruyucu çit yok), CAPEX −%30 (≈ 70 000 EUR), σ_D ≈ 0.03 mm (1 000 Hz kamera).

Üç Endüstriyel Transfer Modeli (TRL 6 → TRL 9)

Seçenek 1

WPS Lisanslama

15 000 EUR + 1 EUR/kaynak

Müşteri lazer sistemini satın alır. Biz WPS belgesi, parametre yapılandırması ve eğitim sağlarız. Yıllık 100 000 kaynak noktasına kadar royalti.

Seçenek 2

Anahtar Teslim Üretim Hücresi

≈ 120 000 EUR

Tam sistem teslimatı ve kurulum (lazer, galvanometre, robot, kamera, yazılım). Kapasite: 50 kaynak/saat. Royalti yok.

Seçenek 3

Ortak Girişim (JV)

%10–20 hisse

EV pil pazarı (CATL, LG, Tesla) için — biz teknolojiyi ve patenti sağlarız; ortak üretim hatlarını ve pazarı sağlar.

Potansiyel Endüstriyel Ortaklar (pilot uygulama)

Asarel Medet AD — klor-alkali elektrotlar Monbat AD — EV akümülatörler Electroaparatura Pazardzhik — YG devre kesiciler
📐

Endüstri 4.0 / 5.0 Çağında Mühendislik Çizimi

4 araştırma makalesi serisi · Tontchev Press · 2026 · Konular: MBD, Dijital İkiz, CAD'de AI, Projektif Geometri

4 makale BS 8888:2025 / ISO 16792 Endüstri 4.0 → 5.0 MBD · Dijital İkiz · AI-CAD Akademik standart
75%azalmatasarımdan üretime döngü süresi — MBD (NIST)
80–90%otomasyonrutin CAD görevleri — Neural CAD (Autodesk 2025)
200×daha hızlı2D çizimlerin AI ile tanınması vs. manuel yöntemler
+20%verimliliktam Endüstri 4.0 uygulamasında

Dört makale, klasik 2D mühendislik çiziminden (Madsen, 1991; Morling & Danjou, 2022) ve Sovyet dönemi tasarım geometrisinden Model Tabanlı Tanımlama (MBD), Dijital İkiz ve AI destekli tasarıma kadar uzanan tam dönüşüm yolunu haritalıyor. Araştırmalar, mekânsal düşüncenin Endüstri 5.0'da vazgeçilmez olmaya devam ettiğini savunurken, rutin çizim dijital ortamda ürün bilgisi yönetimine dönüşüyor.

Makale 1
Geleneksel Çizimden Akıllı Dijital İkize
Temel: Madsen (1991) + BS 8888:2025
  • MBD — 3D model "tek gerçek kaynak" olarak
  • Neural CAD — tasarım görevlerinin %80–90'ını otomatikleştiriyor
  • AI tanıma, manuel yöntemlere kıyasla 200× daha hızlı
  • Dijital İkiz — tasarım amacı ve operasyon arasında kapalı döngü
Makale 2
Geometrik Konstrüksiyonlardan Dijital Tanımlara
Temel: Morling & Danjou (2022, 4. baskı)
  • ISO 128, 129, 286, 1101, 16792 — güncel normatif çerçeve
  • Üretken tasarım ve AI otomatik boyutlandırma
  • Modern mühendis için 7 temel yetkinlik
  • Endüstri 5.0 — sürdürülebilirlik ve insan odaklılık
Makale 3
Projektif Geometriden Dijital İkize Paradigma Değişimi
Temel: Sovyet dönemi ders kitapları (1954–1960) + modern AI araştırması
  • Epipolâr geometri — bilgisayarlı görünün çekirdeği
  • YOLOv4 + Siemens NX: 2D → 3D otomatik yeniden yapılandırma
  • AR ProjecTwin — uzamsal artırılmış gerçeklik çerçevesi
  • Eğitim: el ile çizimden 3D uzamsal bilişe
Makale 4
Endüstri 4.0 Geçişinde Zorluklar, Teknolojiler ve Gelecek Perspektifler
Temel: Kagermann vd. (2013) + IIoT / Quality 4.0
  • 9 teknoloji sütunu: CPS, IoT, AI, Dijital İkiz, Kobotlar…
  • Quality 4.0 — proaktif veri odaklı kalite güvencesi
  • +20% çıktı, +20% işgücü verimliliği, −15% maliyetler
  • 4 seviyeli çerçeve: stratejik → teknolojik → operasyonel → insani
🗓 Uygulama Yol Haritası
Kısa Vadeli 2026–2028
  • Serinin IEEE/MDPI dergilerinde yayımlanması
  • MBD ve 3D CAD müfredat geliştirme
  • "Endüstri 4.0'da Mühendislik Çizimi" çalıştayları
Orta Vadeli 2028–2032
  • Gömülü 3D modellerle interaktif dijital ders kitabı
  • KOBİ'ler için MBD benimseme danışmanlığı
  • Pilot Dijital İkiz tasarım laboratuvarı
Uzun Vadeli 2032–2040
  • AI destekli tasarımın standardizasyonu (ISO önerileri)
  • Ulusal eğitim standartlarına entegrasyon
  • Endüstri 5.0 kobota yardımlı tasarım platformu
💼 Transfer Modelleri
Lisanslama
MBD Müfredat Paketi
8.000 EUR / sözleşme

Eksiksiz öğretim paketi: dersler, alıştırmalar, değerlendirme. Üniversiteler ve meslek okulları.

Danışmanlık
Endüstri 4.0 Geçiş Denetimi
3.500 EUR'dan itibaren

Olgunluk değerlendirmesi, yol haritası ve akıllı üretim uygulama planı.

Ortaklık
Ortak Araştırma
görüşmeye açık

AI-CAD araçları, Dijital İkiz platformları ve eğitim yazılımlarının ortak geliştirilmesi.

🤝 Hedef Ortaklar
Bulgaristan Teknik Üniversiteleri IEEE Bulgaristan Şubesi Siemens Digital Industries Autodesk Education VTU "Todor Kableshkov"
⚙

DEFMOT — Hareketli Kısıtlamalarla Çok Kriterli Optimizasyon

Teknolojik süreçlerin mod parametrelerinin ve metalurjik sentezin tasarımı için evrensel bir hesaplama yaklaşımı — kimyasal, biyolojik, mekanik ve çevresel mühendislikte doğrudan uygulanabilir.

2021 Korumalı MADMML® Yazılımı Pareto Optimalliği Hareketli Düzlemler VTU "Todor Kableshkov"

DEFMOT (Kısıtlamaların Hareketi ile Belirleme), Prof. Dr. Müh. Nikolay Tonchev tarafından geliştirilen ve 2021'de koruma altına alınan bir hesaplama yaklaşımıdır. Metodoloji, parametre uzayında kısıtlama düzlemlerini sistematik olarak hareket ettirerek çok kriterli problemleri çözer ve kullanıcı gereksinimlerine karşılık gelen uzlaşma vektörlerini belirler. MADMML® yazılımı dört faktörlü modeller için 94 = 6.561 parametre kombinasyonunu eş zamanlı analiz eder.

①
Ayrıklaştırma
X₁…Xₙ giriş parametreleri belirlenen sınırlar içinde örneklenir
②
Hareketli Kısıtlamalar
Min-Maks filtreler etkin çözüm bölgesini iteratif olarak daraltır
③
Pareto Cephesi
4 cephe tipinde uzlaşma çözümlerinin sıralanması ve sınıflandırılması
6.561
KOMBİNASYON
eş zamanlı analiz (4 faktörde 9⁴)
4
PARETO CEPHESİ
her görev için etkin çözüm türleri
11
ADIM
optimal çözümün tam yakınsarmasına kadar
≥ 3
KRİTER
uzlaşma kaybı olmadan eş zamanlı optimizasyon
Gerçek Uygulamalar — 6 Bilimsel Alan
01
Alüminyum Alaşımı Döküm
Prof. Dr. Müh. Rumyana Lazarova
  • X₁–X₄: sıcaklık, dolum süresi, çevrim, basınç
  • Y₁–Y₆: jant 6 kesitinde DAS parametreleri
  • Hedef: tüm 6 kesitte eş zamanlı minimum DAS
✔ Maksimum döküm dayanımı elde edildi
02
Elektrolit Restorasyon Kaplamaları
Prof. Dr. Müh. Dragol Dragolov
  • X₁–X₄: Mn/Ni konsantrasyonu, akım yoğunluğu, sıcaklık
  • Y₁: Mn içeriği; Y₂: kaplamada Ni içeriği
  • 530A40 çelik (BS 970), ortogonal plan
✔ Eş zamanlı maks. Mn+Ni birikimi
03
Homojenleştirme Isıl İşlemi
Akad. Prof. Yanko Arsov — American Eagle Wheel Co.
  • X₁–X₄: homojenleştirme T ve τ; işlem T ve τ
  • Y₁: çekme dayanımı; Y₂: akma sınırı; Y₃: uzama
  • Pasif deney — farklı kalınlıklı jant kesimleri
✔ İki kesit tipi — ortak rejim
04
Plazma Sprey Kaplama
Doç. Dr. Müh. Bozhidar Dyakov
  • X₁–X₅: gaz, akım, mesafe, hız, toz besleme
  • Y₁: yapışma; Y₂: mikrosertlik; Y₃: gözeneklilik
  • Rehshafner deney planı
✔ Optimal kalite parametresi kontrolü
05
Takım Çeliği İyon Nitrürleme
Prof. Dr. Müh. Angel Zyumbilev
  • X₁–X₄: T, NH₃ basıncı, τ, tavlama T
  • Y₁: mikrosertlik; Y₂: kırılma tokluğu; Y₃: aşınma direnci
  • BH11, BH21, BH10 (BS 4659) — enerji tüketimi dahil
✔ Min. enerji + belirlenen özellikler
06
Ca ve Sr'li Mg-Zn Alaşımı
Prof. NAO — Dalian Teknoloji Üniversitesi
  • X₁–X₄: Ca, Sr, yaşlandırma T (°C), yaşlandırma τ (h)
  • Y₁: UTS %81.39; Y₂: uzama %20.69; Y₃: HV %97.79; Y₄: D %23.84
  • Optimal: Ca=%0.2, Sr=%0.2, T=325°C, τ=8h
✔ 4 özellik eş zamanlı optimize edildi
Örnek Çalışma: C45 Taşlamada TN-20 ve T15K6 Karşılaştırması
GöstergeTN-20 (tungstensiZ)T15K6 (tungstenli)
Maks. verimlilik1.042,59 mm³/dak1.265,42 mm³/dak
Eş zamanlı mod%90,14 — 954,15 mm³/dak%86,03 — 1.101,73 mm³/dak
Min. bağıl aşınma1,65 mg/g0,46 mg/g
Min. maliyet6,45 €sent/cm³ (%35 daha ucuz)4,11 €sent/cm³
SonuçTN-20, belirli rejimlerde T15K6'nın yerini tam olarak alabilir — ekonomik açıdan gerekçelendirilmiştir
DEFMOT Uygulama Yol Haritası
▶ KISA VADELİ 2026–2028
  • Teknolojik süreci ve hedef fonksiyonları belirle
  • Aktif/pasif deneyleri tasarla ve yürüt
  • Regresyon analizi ve model doğrulama
  • İlk MADMML® uygulaması — temel sonuçlar
▶ ORTA VADELİ 2028–2032
  • 3–5 kriterli çok kriterli optimizasyon
  • Pareto analizi ve uzlaşma çözümlerinin sıralanması
  • Rakip malzeme/süreçler karşılaştırmalı analiz
  • Personel eğitimi ve yetkinlik transferi
▶ UZUN VADELİ 2032–2040
  • Otomatik model üretimi için AI/ML entegrasyonu
  • Hizmet olarak çevrimiçi DEFMOT platformu (SaaS)
  • Biyolojik ve çevresel sistemlerde uygulama
  • Uluslararası yayınlar ve patent koruması
⬡ DEFMOT Tabanlı Projeler için Hedef Ortaklar
Makine İmalat İşletmeleri Metalurji Tesisleri Otomotiv Sektörü Kimyasal Teknolojiler VTU "Todor Kableshkov" Bulgaristan Teknik Üniversiteleri Dalian Teknoloji Üniversitesi IEEE Bulgaristan Şubesi
⚗

Malzeme Modelleme, Optimizasyon ve Seçimi — Teknoloji Teklifi & Bilimsel Katkılar

İmalat süreçlerinin modellenmesi, optimizasyonu ve otomatik tasarımı için evrensel bir hesaplama yaklaşımı — metalurji, makine mühendisliği ve üretim teknolojilerine uygulanabilir.

Teknoloji Teklifi (EEN) Gizli know-how MADMML® Yazılımı Pareto Cephesi Piyasada mevcut

Bu yaklaşım, Prof. Dr. Nikolay Tontchev tarafından 25 yılı aşkın araştırma sonucunda geliştirilmiş ve Enterprise Europe Network (EEN)'e Avusturya, Çek Cumhuriyeti, Fransa, Almanya, Birleşik Krallık, Çin, Rusya, Türkiye ve ABD'de ticari ortaklar bulmak üzere Teknoloji Teklifi olarak resmî kayıt yaptırılmıştır. Tescilli MADMML® yazılımı ile güçlendirilmiş ve resmî olarak gizli know-how kapsamında sınıflandırılmıştır. Regresyon analizi, yapay sinir ağları (ANN/MLP) ve Pareto cephesi çok kriterli optimizasyon'u entegre ederek alaşımlar için optimum bileşim ve işleme koşullarını belirlemektedir.

FİKİR 01 · TEKNOLOJİ TEKLİFİ

Yeni ve Kurulmamış Teknolojilerin Optimizasyonu

2–10 giriş parametresini analiz ederek hedef performans göstergelerine ulaşmayı garanti eden herhangi bir üretim teknolojisi için süreç parametrelerini tasarlayan bir hizmet. Kimya, mekanik, biyoloji ve çevre mühendisliğine uygulanabilir.

FİKİR 02 · BİLİMSEL KATKI

Çelik Alaşımlaması için Çok Kriterli Yaklaşım

Kanıtlanmış yöntem: demir esaslı malzemelerin özelliklerini kimyasal bileşimin bir fonksiyonu olarak modelleyerek, Pareto cephesi ile mukavemet, süneklik ve sertliği eş zamanlı değerlendiren etkin çözümler belirlenir.

FİKİR 03 · YENİ TEORİ

Teknolojik Maliyet için K_MW Göstergesi

Metal işleme endüstrisindeki yarı mamullerin teknolojik rotalarını değerlendirmeye ve karşılaştırmaya imkân tanıyan farklı çelik sınıfları için genelleştirilmiş KMW göstergesi.

FİKİR 04 · OTOMATİK SEÇİM

Enerji Kontrolü ile Malzeme Seçim Metodolojisi

Kimyasal-termal işlem sırasında enerji maliyetlerini kontrol ederek gerekli özellik bileşimini sağlayan bir çelik sınıfından malzeme seçmek için metodoloji — MADMML® yazılımıyla uygulanmaktadır.

FİKİR 05 · TAGUCHİ YÖNTEMİ

İki Parametreli Çok Kriterli Optimizasyon

Taguchi yöntemine dayalı, iki kontrol parametresi için eş zamanlı kaliteyi garanti eden alaşım elementi miktarlarını belirleyen çok kriterli prosedür — alaşım bileşimini hassaslaştırır.

FİKİR 06 · KÜÇÜK VERİ

Sınırlı Veri Tabanıyla Optimizasyon

Küçük veri tabanı kullanılarak çok kriterli prosedür ile martensitik sınıf çeliklerin özelliklerinin iyileştirilmesi — geleneksel ANN yöntemlerine göre temel avantaj.

FİKİR 07 · YSA + GA

Alaşımlama Optimizasyonu için YSA + Genetik Algoritma

YSA (MLP) ve genetik algoritma aracılığıyla bireysel alaşım elementlerinin nihai özellikler üzerindeki etkisinin araştırılması — JMSEA'da yayımlanan sonuçlar.

FİKİR 08 · OTOMOTİV

AHSS Çelikler — %25–35 Ağırlık Azaltımı

İleri Yüksek Mukavemetli Çeliklerin (AHSS) uygulanması araç gövdesi ağırlığını %25 oranında azaltabilir; üçüncü nesil çelikler %35 hedefliyor. Yakıt tüketimi ve CO₂ emisyonları üzerinde doğrudan etki.

FİKİR 09 · CAE OPTİMİZASYON

Simülasyon Tabanlı CAE Optimizasyonu

Rasyonel teknolojik seçeneklere ulaşmak için Bilgisayar Destekli Mühendislik (CAE) simülasyonlarının optimizasyonu — kusurları, mikroyapıyı, mekanik özellikleri ve geniş metal işleme teknolojilerini tahmin etme.

FİKİR 10 · İŞLENEBİLİRLİK

Alaşımlamanın Talaşlı İşlenebilirliğe Etkisi

Literatürde ilk kez, optimum talaş kaldırma koşulları sistematik olarak belirlendi ve alaşım elementlerinin bu teknolojik parametre üzerindeki etkisi araştırıldı.

FİKİR 11 · TİCARİ ORTAKLIK

Teknik Yardımlı Ticari Anlaşma

EEN'e kayıtlı Teknik Yardımlı Ticari Anlaşma teklifi, sanayi ortaklarını (250+ çalışan, ÇUŞ >500) hedef almaktadır. İletişim: info.tontchevpress@gmail.com

Enterprise Europe Network VTU "T. Kableshkov" BAS — Metalurji Enstitüsü NSF Hibe DDVU-02/11 MADMML® Yazılımı

Stratejik Teknoloji: Lazer İşleme

Lazer teknolojisi gibi stratejik bir teknolojiyi ele alalım. Çıkış parametresi olarak kalite; işlenen ürünün sertlik, aşınma direnci, mukavemet, plastisite, tokluk vb. gibi belirli göstergelerle belirlenir.

Bu kalite parametreleri, sürecin giriş parametrelerine (tetraedrin tabanına gömülü) bağlıdır. Bu konularda kapsamlı, genel bir teori inşa edilemez.

Veri mevcut olduğunda her teknolojinin optimize edilmesi için bir mekanizma önerilmektedir. Veriler katı bir formattadır ve kararı yönlendirir. Optimizasyon, rekabet piyasasına fayda sağlayan enerji verimliliği ve verim açısından mümkündür.

Lazer süreci tetraedri — giriş ve çıkış parametreleri

Şek. 1 — Lazer süreci tetraedri: süreç kalitesi, teknolojik süreç (işaretleme, ısıtma, eritme, buharlaştırma), enerji verimliliği (güç/enerji yoğunluğu) ve etki süresi (hız, frekans, darbe süresi).

Yenilik: Teknolojik Karar Destek Sistemi

Bu yenilik, 10'dan fazla teknoloji için çözüm üretmiş olup, teknolojik karar almayı destekleyen bir sistem — "danışman" — kullanımına dayanmaktadır. Üç, dört veya daha fazla kontrol parametresinin karşılıklı etkileşimini analiz etmek karmaşıktır, ancak sistem bunu sezgisel ve erişilebilir kılmaktadır.

1

Parametreler arasındaki kesin karmaşık etkileşim, değer ve maksimumun normalleştirilmiş yüzdesi olarak gösterilir. Renk aralıklarını iyileştirerek etkileşim görselleştirilir ve yinelemeli olarak doğrulanabilir. Tüm kanıtlar rapora eklenir.

2

Kontrol parametrelerinin ve incelenen büyüklüklerin değerleri, maksimum veya minimum için istenen çözüme ulaşırken renklerle çalışan kullanıcı dostu bir sistemde belirtilir.

3

Çelişkili nitelikteki karmaşık özelliklerin belirlenmesinde başarıyla uygulanmıştır. Önceden belirlenmiş tercihlere göre her kriterin sınır eşiği belirlenir.

4

Etkinliği kanıtlamak için aynı teknolojiye tabi tutulan iki veya daha fazla farklı malzemenin karşılaştırılmasında başarıyla uygulanmıştır.

5

En uygun süreç parametrelerini belirlemek için bir malzeme sınıfı için teknolojik sürecin değiştirilmesinde uygulanmıştır.

Uygulama Alanları

Lazer Sertleştirme Yüzey İşleme Makine Mühendisliği Malzeme Bilimi Hassas Teknolojiler Enerji Verimliliği

Araştırma: Dişli Transmisyonların Lazer Sertleştirmesinde DEFMOT Uygulaması

Lazer Sertleştirme Dişli Transmisyonlar 42CrMo4 · C45 Çok Kriterli Optimizasyon Pareto-Optimal Rejimler
2Malzeme
4Kontrol Faktörü
5+Hedef Fonksiyon
0.963R² (CHD Modeli)

DEFMOT metodolojisinin dişli transmisyon lazer sertleştirmeye sistematik uygulaması. DEFMOT tek bir "en iyi" çözüm aramaz; tüm Pareto-optimal uzlaşma kümesini kontrol parametre uzayında çalışarak bulur.

İki çelik (42CrMo4 ve C45), dört kontrol faktörü (güç P, tarama hızı v, geçiş sayısı n, örtüşme O) ve beş hedef (sertleşme derinliği CHD, sertlik HV1, pürüzlülük Sa/Sz/Sq, özgül enerji EL) incelendi.

DEFMOT Metodolojisi — 5 Aşama

1

Alternatiflerin ve Kriterlerin Tanımlanması

Her deneysel nokta bir alternatiftir. Kriterler yönleriyle etiketlenir — max: CHD, HV1, v; min: Sa, Sz, Sq, EL, ti.

2

Kriter Normalizasyonu

Tüm kriterler Nⱼ = (yⱼ − yⱼᵐⁱⁿ) / (yⱼᵐᵃˣ − yⱼᵐⁱⁿ) formülüyle [0,1] aralığına normalize edilir.

3

Her Kriter için Ayrık Kontur Diyagramları

(P, v) düzleminde n=3 ve O=30% sabit tutularak CHD, HV1, Sa ve EL için beş renk bantlı kontur haritaları oluşturulur.

4

Skalarizasyon — Kötümser Fonksiyon Fpes

Her nokta için minimum normalize edilmiş değer alınır. Fpes > %80 bölgesi Pareto-optimal çözümleri içerir.

5

Yinelemeli Pareto-Cephesi Yerelleştirme

Üç yineleme ile arama alanı kaba 9 noktalı ızgaradan ≈ 1420–1480 W × 3.3–3.8 mm/s'lik ince bölgeye daraltılır.

Skalarizasyon Fonksiyonu — Kötümser Yaklaşım
Fpes  =  min(NCHD,  NHV,  1 − NSa)
Fpes'i maksimize etmek, tüm kriterlerin eş zamanlı kabul edilebilir düzeyde olmasını sağlar.

Optimal Rejim R1 — 42CrMo4 Mutlak Optimumu

2.78CHD (mm)
765HV1 (sertlik)
0.56Sa (µm)
1.24EL (kJ/mm)

Rejim R1 P = 1450 W, v = 3,5 mm/s, n = 3, O = %30'da elde edildi. Sertlik profili yüzeyde 863 HV'den başlar, 2,78 mm derinlikte 550 HV'e iner ve çekirdekte 330 HV'e ulaşır.

Malzeme Karşılaştırması: 42CrMo4 vs C45

42CrMo4
  • Daha yüksek sertleşebilirlik — eşit P ve v'de daha derin HAZ
  • CHD 2,78 mm'ye kadar
  • Sertlik 765 HV1'e kadar
  • Ağır yük uygulamaları için önerilir
C45
  • Daha düşük sertleşebilirlik — optimal bölge daha yüksek v'ye kayar
  • Daha düşük güçte karşılaştırılabilir sertlik
  • Daha ekonomik seçim
  • Orta yük uygulamaları için önerilir
CHD: R² = 0.963
HV1: R² ≈ 0.94
Sa: R² ≈ 0.91
EL: R² ≈ 0.98

İlgileniyor Musunuz? İletişime Geçin

İşbirliği fikirleri, araştırma projeleri veya sistemi uygulama hakkında daha fazla bilgi almak istiyorsanız — doğrudan bize yazın.

Bize Yazın Kitap Siparişi
Tontchev Press · Colaboración

En Perspectiva

Oportunidades de colaboración futura en la optimización de tecnologías de fabricación y láser — basadas en datos, visualizadas, repetibles.

Eficiencia Energética Tecnologías Láser Optimización Multicriterio Colaboración Abierta
⚡

Soldadura Láser de Materiales Disímiles: Cobre (Cu-ETP) – Acero Inoxidable (AISI 316L)

Control sinérgico del desplazamiento asimétrico y la oscilación circular — ideas derivadas de la monografía
Prof. Dr. Ing. K. Krastanov VTU "Todor Kableshkov" — 2026 21 capítulos · 50 muestras TRL 6 → TRL 9 Patente BGIEP
10.1 kN
Requisito Fs ≥ 9.8 kN
Resistencia al corte
13 μΩ
USL = 20 μΩ
Resistencia de contacto
0 %
n = 50 muestras
Defectos / grietas
130 k€
TIR 19.4% · PR 5.2 años
VAN (25 años, 7%)

La tecnología láser sinérgica supera las barreras metalúrgicas fundamentales en la soldadura de cobre con acero inoxidable — dos materiales separados por una razón de conductividad de 41:1 y una diferencia de punto de fusión de 350°C. Mediante la aplicación simultánea de desplazamiento asimétrico del haz (D = 0.70 mm), oscilación circular (A = 2.5 mm, f = 55 Hz) y el material de aporte tamponado ERNiCu-7, la tecnología logra cero defectos en 50 muestras independientes. La monografía formula nueve ideas concretas estructuradas en tres horizontes temporales y tres modelos de transferencia industrial.

Hoja de Ruta de Innovación — Tres Horizontes Temporales

2026 – 2028

Prioridades a Corto Plazo

  • Control de potencia en lazo cerrado: Detector fotodiodo + PID (100 Hz) reduce σ_P de 0.05 → 0.01 kW; Cpk_Fs de 0.98 → 1.15. Presupuesto: 1 500 EUR + 2 pers.-mes, plazo 6 meses.
  • Predicción de defectos con IA: Red LSTM (sensor AE + espectrómetro óptico, 500 muestras de entrenamiento), precisión >90%, latencia <10 ms; merma −50%.
  • Espacio de diseño para perfiles delgados (0.5–2.0 mm): DOE para Cu 0.6 mm / SS 1.0 mm — nueva WPS para terminales de baterías EV (Fs esperado = 4.5–5.5 kN).
2028 – 2032

Prioridades a Medio Plazo

  • Soldadura híbrida láser-ultrasónica: Transductor 20 kHz/1 kW refina el grano (17→12 μm), reduce la porosidad (0.15→0.05%) y eleva Fs a 11.5 kN.
  • Capas de transición DED: Capa Ni pre-depositada (0.2 mm DED) elimina el alimentador de hilo y provee distribución de Ni uniforme — soldadura autógena.
  • Optimización multi-material: Extensión de la metodología a Cu/Ti-6Al-4V (aeroespacial), Cu/Al 6061 (EV) y AISI 316L/Invar 36 (optoelectrónica).
2032 – 2040

Perspectivas a Largo Plazo

  • Hidrógeno verde (PEM): Uniones conductoras Cu-Ti y Cu-Pt para electrolizadores de membrana de intercambio protónico (pH 0–2, 80°C).
  • Tecnologías cuánticas: Uniones Cu-SS criogénicas a 4–15 K con R_joint <1 μΩ para imanes superconductores y sistemas de comunicación cuántica.
  • Industria 5.0 — integración de cobots: Sustitución del ABB IRB 2600 por cobot UR20 (sin valla de seguridad), CAPEX −30% (≈ 70 000 EUR), σ_D ≈ 0.03 mm con cámara a 1 000 Hz.

Tres Modelos de Transferencia Industrial (TRL 6 → TRL 9)

Opción 1

Licenciamiento de WPS

15 000 EUR + 1 EUR/unión

El cliente adquiere el sistema láser. Nosotros suministramos la documentación WPS, configuración de parámetros y formación. Royalty hasta 100 000 uniones/año.

Opción 2

Célula Llave en Mano

≈ 120 000 EUR

Entrega e instalación del sistema completo (láser, galvanómetro, robot, cámara, software). Producción: 50 uniones/hora. Sin royalties.

Opción 3

Empresa Conjunta (JV)

10–20 % participación

Para el mercado de baterías EV (CATL, LG, Tesla) — aportamos tecnología y patente; el socio aporta líneas de producción y acceso al mercado.

Socios Industriales Potenciales (implementación piloto)

Asarel Medet AD — electrodos cloro-álcali Monbat AD — baterías EV Electroaparatura Pazardzhik — interruptores AT
📐

Dibujo de Ingeniería en la Era de la Industria 4.0 / 5.0

Serie de 4 artículos de investigación · Tontchev Press · 2026 · Temas: MBD, Gemelo Digital, IA en CAD, Geometría Proyectiva

4 artículos BS 8888:2025 / ISO 16792 Industria 4.0 → 5.0 MBD · Gemelo Digital · AI-CAD Estándar académico
75%reducciónciclo diseño-producción mediante MBD (NIST)
80–90%automatizacióntareas CAD rutinarias — Neural CAD (Autodesk 2025)
200×más rápidoreconocimiento IA de planos 2D vs. métodos manuales
+20%productividadcon despliegue completo de Industria 4.0

Los cuatro artículos trazan el camino completo de transformación: desde el dibujo 2D clásico (Madsen, 1991; Morling & Danjou, 2022) y la geometría descriptiva soviética hasta la Definición Basada en Modelos (MBD), el Gemelo Digital y el diseño asistido por IA. La investigación argumenta que el pensamiento espacial sigue siendo indispensable en la Industria 5.0, mientras que el dibujo rutinario evoluciona hacia la gestión de información de producto en entorno digital.

Artículo 1
Del Dibujo Tradicional al Gemelo Digital Inteligente
Base: Madsen (1991) + BS 8888:2025
  • MBD — modelo 3D como "única fuente de verdad"
  • Neural CAD — automatiza el 80–90% de las tareas de diseño
  • Reconocimiento IA 200× más rápido que métodos manuales
  • Gemelo Digital — bucle cerrado entre intención y operación
Artículo 2
De las Construcciones Geométricas a las Definiciones Digitales
Base: Morling & Danjou (2022, 4.ª ed.)
  • ISO 128, 129, 286, 1101, 16792 — base normativa actualizada
  • Diseño generativo y acotado automático con IA
  • 7 competencias clave del ingeniero moderno
  • Industria 5.0 — sostenibilidad y centralidad humana
Artículo 3
Cambio de Paradigma de la Geometría Proyectiva al Gemelo Digital
Base: Libros de texto soviéticos (1954–1960) + investigación IA moderna
  • Geometría epipolar — núcleo de la visión artificial
  • YOLOv4 + Siemens NX: reconstrucción automática 2D → 3D
  • AR ProjecTwin — marco de realidad aumentada espacial
  • Educación: del dibujo manual a la cognición espacial 3D
Artículo 4
Retos, Tecnologías y Perspectivas Futuras en la Transición a la Industria 4.0
Base: Kagermann et al. (2013) + IIoT / Quality 4.0
  • 9 pilares tecnológicos: CPS, IoT, IA, Gemelo Digital, Cobots…
  • Quality 4.0 — aseguramiento de calidad proactivo basado en datos
  • +20% producción, +20% productividad laboral, −15% costes
  • Marco de 4 niveles: estratégico → tecnológico → operativo → humano
🗓 Hoja de Ruta de Implementación
Corto Plazo 2026–2028
  • Publicación de la serie en revistas IEEE/MDPI revisadas por pares
  • Desarrollo de planes de estudio MBD y CAD 3D
  • Talleres "Dibujo de Ingeniería en Industria 4.0"
Mediano Plazo 2028–2032
  • Manual digital interactivo con modelos 3D integrados
  • Consultoría para adopción de MBD en PYMES
  • Laboratorio piloto de diseño con Gemelo Digital
Largo Plazo 2032–2040
  • Estandarización del diseño asistido por IA (propuestas ISO)
  • Integración en estándares educativos nacionales
  • Plataforma de diseño cobot-asistido Industria 5.0
💼 Modelos de Transferencia
Licenciamiento
Paquete Curricular MBD
8.000 EUR / contrato

Paquete de enseñanza completo: lecciones, ejercicios, evaluación. Universidades y escuelas de FP.

Consultoría
Auditoría de Transición Industria 4.0
desde 3.500 EUR

Evaluación de madurez, hoja de ruta y plan de implementación de manufactura inteligente.

Colaboración
Investigación Conjunta
a negociar

Desarrollo de herramientas AI-CAD, plataformas de Gemelo Digital y software educativo.

🤝 Socios Objetivo
Universidades Técnicas — BG IEEE Sección Bulgaria Siemens Digital Industries Autodesk Educación VTU "Todor Kableshkov"
⚙

DEFMOT — Optimización Multicriterio con Restricciones Móviles

Un enfoque computacional universal para el diseño de parámetros de modo de procesos tecnológicos y síntesis metalúrgica — directamente aplicable en ingeniería química, biológica, mecánica y ambiental.

Protegido 2021 Software MADMML® Optimalidad de Pareto Planos Móviles VTU "Todor Kableshkov"

DEFMOT (DEterminación por MOvimiento de restricciones) es un enfoque computacional protegido en 2021, desarrollado por el Prof. Dr. Ing. Nikolay Tonchev. La metodología resuelve problemas multicriterio moviendo sistemáticamente planos de restricción en el espacio de parámetros, identificando vectores de compromiso que corresponden a los requisitos del usuario. MADMML® analiza simultáneamente 94 = 6.561 combinaciones de parámetros para modelos de cuatro factores.

①
Discretización
Parámetros de entrada X₁…Xₙ muestreados dentro de límites definidos
②
Restricciones Móviles
Filtros Min-Max reducen iterativamente la región de soluciones efectivas
③
Frente de Pareto
Clasificación de soluciones de compromiso en 4 tipos de frentes
6.561
COMBINACIONES
analizadas simultáneamente (9⁴ con 4 factores)
4
FRENTES PARETO
tipos de soluciones efectivas por tarea
11
PASOS
para convergencia completa de la solución óptima
≥ 3
CRITERIOS
optimización simultánea sin pérdida de compromiso
Aplicaciones Reales — 6 Dominios Científicos
01
Fundición de Aleación de Aluminio
Prof. Dra. Ing. Rumyana Lazarova
  • X₁–X₄: temperatura, tiempo llenado, ciclo, presión
  • Y₁–Y₆: parámetros DAS en 6 secciones de llanta
  • Objetivo: DAS mínimo en las 6 secciones simultáneamente
✔ Máxima resistencia de la pieza fundida
02
Recubrimientos de Restauración Electrolítica
Prof. Dr. Ing. Dragol Dragolov
  • X₁–X₄: concentración Mn/Ni, densidad corriente, temperatura
  • Y₁: contenido Mn; Y₂: contenido Ni en recubrimiento
  • Acero 530A40 (BS 970), plan ortogonal compuesto
✔ Máx. deposición Mn+Ni simultánea
03
Tratamiento Térmico de Homogeneización
Acad. Prof. Yanko Arsov — American Eagle Wheel Co.
  • X₁–X₄: T y τ homogeneización; T y τ tratamiento
  • Y₁: resistencia tracción; Y₂: límite elástico; Y₃: alargamiento
  • Experimento pasivo — secciones de llanta de diferente espesor
✔ Dos tipos de sección — régimen unificado
04
Recubrimiento por Proyección Plasma
Prof. Asoc. Dr. Ing. Bozhidar Dyakov
  • X₁–X₅: gas, corriente, distancia, velocidad, alimentación polvo
  • Y₁: adhesión; Y₂: microdureza; Y₃: porosidad
  • Plan experimental de Rehshafner
✔ Control óptimo de parámetros de calidad
05
Nitruración Iónica de Acero Herramienta
Prof. Dr. Ing. Angel Zyumbilev
  • X₁–X₄: T, presión NH₃, τ, T revenido
  • Y₁: microdureza; Y₂: tenacidad fractura; Y₃: resistencia desgaste
  • BH11, BH21, BH10 (BS 4659) — consumo energético incluido
✔ Mín. energía + propiedades especificadas
06
Aleación Mg-Zn con Ca y Sr
Prof. NAO — Universidad Tecnológica de Dalian
  • X₁–X₄: Ca, Sr, T envejecimiento (°C), τ envejecimiento (h)
  • Y₁: UTS 81,39%; Y₂: El. 20,69%; Y₃: HV 97,79%; Y₄: D 23,84%
  • Óptimo: Ca=0,2%, Sr=0,2%, T=325°C, τ=8h
✔ 4 propiedades optimizadas simultáneamente
Caso de Estudio: TN-20 vs T15K6 en Rectificado de C45
IndicadorTN-20 (sin tungsteno)T15K6 (con tungsteno)
Máx. productividad1.042,59 mm³/min1.265,42 mm³/min
Modo simultáneo90,14% — 954,15 mm³/min86,03% — 1.101,73 mm³/min
Mín. desgaste relativo1,65 mg/g0,46 mg/g
Mín. coste6,45 €cent/cm³ (35% más barato)4,11 €cent/cm³
ConclusiónTN-20 puede sustituir completamente a T15K6 bajo regímenes específicos — económicamente justificado
Hoja de Ruta para Implementar DEFMOT
▶ CORTO PLAZO 2026–2028
  • Identificar proceso tecnológico y funciones objetivo
  • Diseñar y realizar experimentos activos/pasivos
  • Análisis de regresión y verificación de modelos
  • Primera aplicación MADMML® — resultados base
▶ MEDIO PLAZO 2028–2032
  • Optimización multicriterio con 3–5 criterios
  • Análisis Pareto y clasificación de soluciones
  • Análisis comparativo entre materiales/procesos
  • Formación de personal y transferencia de competencias
▶ LARGO PLAZO 2032–2040
  • Integración con IA/ML para generación automática de modelos
  • Plataforma DEFMOT en línea como servicio (SaaS)
  • Aplicación en sistemas biológicos y ambientales
  • Publicaciones internacionales y protección de patentes
⬡ Socios Objetivo para Proyectos Basados en DEFMOT
Empresas de Ingeniería Mecánica Plantas Metalúrgicas Industria Automotriz Tecnologías Químicas VTU "Todor Kableshkov" Universidades Técnicas — BG Universidad Tecnológica de Dalian IEEE Bulgaria Section
⚗

Modelado, Optimización y Selección de Materiales — Oferta Tecnológica y Contribuciones Científicas

Un enfoque computacional universal para el modelado, la optimización y el diseño automatizado de procesos de fabricación — aplicable en metalurgia, ingeniería mecánica y tecnologías de producción.

Oferta Tecnológica (EEN) Know-how secreto Software MADMML® Frente de Pareto Ya en el mercado

Este enfoque ha sido desarrollado a lo largo de más de 25 años de investigación por el Prof. Dr. Ing. Nikolay Tontchev y está formalizado como Oferta Tecnológica registrada en Enterprise Europe Network (EEN) para encontrar socios comerciales en Austria, República Checa, Francia, Alemania, Reino Unido, China, Rusia, Turquía y EE. UU. El método está respaldado por el software propietario MADMML® y está clasificado oficialmente como know-how secreto. Integra análisis de regresión, redes neuronales artificiales (ANN/MLP) y optimización multicriterio con frente de Pareto para determinar la composición y los regímenes de procesamiento óptimos de las aleaciones.

IDEA 01 · OFERTA TECNOLÓGICA

Optimización de Tecnologías Nuevas y No Establecidas

Servicio para diseñar parámetros de proceso para cualquier tecnología de fabricación, garantizando el logro de indicadores objetivo mediante el análisis de 2–10 parámetros de entrada. Aplicable a ingeniería química, mecánica, biológica y ambiental.

IDEA 02 · CONTRIBUCIÓN CIENTÍFICA

Enfoque Multicriterio para Aleación de Aceros

Método comprobado: modelar las propiedades de materiales a base de hierro en función de su composición química permite determinar soluciones eficientes mediante el frente de Pareto, evaluando resistencia, ductilidad y dureza simultáneamente.

IDEA 03 · NUEVA TEORÍA

Indicador K_MW para Costo Tecnológico

Indicador generalizado KMW para diferentes clases de acero que permite evaluar y comparar rutas tecnológicas para piezas en bruto en la industria metalmecánica.

IDEA 04 · SELECCIÓN AUTOMATIZADA

Metodología de Selección de Materiales con Control Energético

Metodología para seleccionar materiales de una clase de acero que garantice el complejo de propiedades requerido, controlando los costos de energía durante el tratamiento termoquímico — implementada con MADMML®.

IDEA 05 · MÉTODO TAGUCHI

Optimización Multicriterio de Dos Parámetros

Procedimiento multicriterio basado en el método Taguchi para determinar cantidades de elementos de aleación, garantizando calidad para dos parámetros controlados simultáneamente — refina la composición de la aleación.

IDEA 06 · DATOS REDUCIDOS

Optimización con Base de Datos Limitada

Capacidad demostrada para mejorar propiedades de aceros de clase martensítica mediante un procedimiento multicriterio con una base de datos pequeña — ventaja clave frente a los métodos ANN convencionales.

IDEA 07 · RNA + AG

RNA + Algoritmo Genético para Optimización de Aleaciones

Investigación de la influencia de elementos de aleación individuales sobre propiedades finales mediante RNA (MLP) y algoritmo genético — resultados publicados en JMSEA.

IDEA 08 · AUTOMOCIÓN

Aceros AHSS — Reducción de Peso 25–35%

La introducción de Aceros de Alta Resistencia Avanzados (AHSS) puede reducir la carrocería en un 25%; los aceros de tercera generación apuntan al 35%. Impacto directo en consumo de combustible y emisiones de CO₂.

IDEA 09 · OPTIMIZACIÓN CAE

Optimización CAE Basada en Simulación

Optimización de simulaciones de Ingeniería Asistida por Computadora (CAE) para alcanzar opciones tecnológicas racionales — predicción de defectos, microestructura, propiedades mecánicas y amplia gama de tecnologías de mecanizado.

IDEA 10 · MAQUINABILIDAD

Efecto de la Aleación sobre la Maquinabilidad por Corte

Por primera vez en la literatura se determinaron sistemáticamente las condiciones óptimas de mecanizado y se investigó la influencia de los elementos de aleación en este parámetro tecnológico.

IDEA 11 · ASOCIACIÓN COMERCIAL

Acuerdo Comercial con Asistencia Técnica

Oferta EEN registrada para un Acuerdo Comercial con Asistencia Técnica dirigida a socios industriales (250+ empleados, MNE >500). Contacto: info.tontchevpress@gmail.com

Enterprise Europe Network VTU "T. Kableshkov" BAS — Instituto de Metalurgia FCI Subvención DDVU-02/11 Software MADMML®

Tecnología Estratégica: Procesado Láser

Consideremos un ejemplo de tecnología estratégica: la tecnología láser. La calidad como parámetro de salida se determina mediante un indicador específico — dureza, resistencia al desgaste, resistencia, plasticidad, tenacidad, etc. — del producto procesado.

Estos parámetros de calidad dependen de los parámetros de entrada del proceso (integrados en la base del tetraedro). No puede construirse una teoría general y exhaustiva sobre estos temas.

Se propone un mecanismo de optimización de cada tecnología cuando se dispone de datos. Los datos están en un formato estricto y dirigen la decisión. La optimización es posible en términos de eficiencia energética y rendimiento, beneficiando el mercado competitivo.

Tetraedro del proceso láser — parámetros de entrada y salida

Fig. 1 — Tetraedro del proceso láser: calidad del proceso, proceso tecnológico (marcado, calentamiento, fusión, evaporación), eficiencia energética (potencia/densidad de energía) y tiempo de impacto (velocidad, frecuencia, duración del pulso).

La Innovación: Sistema de Apoyo a Decisiones Tecnológicas

La innovación con la que se han resuelto más de 10 tecnologías consiste en el uso de un sistema de apoyo a la toma de decisiones tecnológicas — el llamado "consejero". El análisis de la influencia mutua de tres, cuatro o más parámetros de control es complejo, pero el sistema lo hace accesible e intuitivo.

1

La interacción compleja exacta entre parámetros como valor y porcentaje normalizado del máximo. La interacción se visualiza y puede justificarse iterativamente refinando los intervalos de color. Todas las evidencias se incluyen en el informe.

2

Los valores de los parámetros de control y las magnitudes examinadas se especifican en un sistema orientado al usuario con código de colores, trabajando con colores al alcanzar la solución deseada de máximo o mínimo.

3

Aplicada con éxito para determinar un complejo de propiedades de naturaleza contradictoria. Para preferencias preestablecidas, se determina el umbral límite de cada criterio y los valores rectores correspondientes al conjunto completo.

4

Aplicada con éxito al comparar dos o más materiales diferentes sometidos a la misma tecnología para demostrar eficacia y superioridad.

5

Aplicada al variar un proceso tecnológico para una clase de materiales con el fin de identificar los parámetros de proceso óptimos en diferentes materiales y condiciones.

Áreas de Aplicación

Temple Láser Tratamiento Superficial Ingeniería Mecánica Ciencia de Materiales Tecnologías de Precisión Eficiencia Energética

Investigación: DEFMOT Aplicado al Temple Láser de Transmisiones

Temple Láser Transmisiones por Engranaje 42CrMo4 · C45 Optimización Multicriterio Regímenes Pareto-Óptimos
2Materiales
4Factores de Control
5+Funciones Objetivo
0.963R² (Modelo CHD)

Aplicación sistemática de la metodología DEFMOT al temple láser de transmisiones por engranaje. DEFMOT no busca una única solución "óptima", sino el conjunto completo de compromisos Pareto-óptimos, trabajando en el espacio de parámetros de control.

Se estudian dos aceros (42CrMo4 y C45), cuatro factores de control (potencia P, velocidad de barrido v, número de pasadas n, solapamiento O) y cinco objetivos (profundidad CHD, dureza HV1, rugosidad Sa/Sz/Sq, energía específica EL).

Metodología DEFMOT — 5 Etapas

1

Definición de Alternativas y Criterios

Cada punto experimental es una alternativa. Los criterios se etiquetan con dirección — max: CHD, HV1, v; min: Sa, Sz, Sq, EL, ti.

2

Normalización de Criterios

Todos los criterios se normalizan a [0,1] mediante Nⱼ = (yⱼ − yⱼᵐⁱⁿ) / (yⱼᵐᵃˣ − yⱼᵐⁱⁿ).

3

Diagramas de Contorno Discretos por Criterio

En el plano (P, v) con n=3 y O=30% fijos, se construyen mapas de contorno de cinco bandas de color para CHD, HV1, Sa y EL individualmente.

4

Escalarización — Función Pesimista Fpes

La función escalarizante toma el valor mínimo normalizado de cada punto. La región con Fpes > 80% contiene las soluciones Pareto-óptimas.

5

Localización Iterativa del Frente de Pareto

Tres iteraciones con restricciones móviles reducen la búsqueda de una cuadrícula gruesa de 9 puntos a una zona fina ≈ 1420–1480 W × 3.3–3.8 mm/s.

Función Escalarizante — Enfoque Pesimista
Fpes  =  min(NCHD,  NHV,  1 − NSa)
Maximizar Fpes garantiza que todos los criterios estén simultáneamente a un nivel aceptable.

Régimen R1 — Óptimo Absoluto (42CrMo4)

2.78CHD (mm)
765HV1 (dureza)
0.56Sa (µm)
1.24EL (kJ/mm)

Régimen R1 logrado a P = 1450 W, v = 3,5 mm/s, n = 3, O = 30%. El perfil de dureza va desde 863 HV en superficie hasta 550 HV a 2,78 mm y 330 HV en el núcleo — gradiente suave favorable para la fatiga de contacto.

Comparación de Materiales: 42CrMo4 vs C45

42CrMo4
  • Mayor templabilidad — HAZ más profunda a igual P y v
  • CHD hasta 2,78 mm
  • Dureza hasta 765 HV1
  • Recomendado para aplicaciones de alta carga
C45
  • Menor templabilidad — zona óptima se desplaza a v mayor
  • Dureza comparable a menor potencia
  • Elección más económica
  • Recomendado para aplicaciones de carga media
CHD: R² = 0.963
HV1: R² ≈ 0.94
Sa: R² ≈ 0.91
EL: R² ≈ 0.98

¿Interesado? Contáctenos

Si tiene ideas de colaboración, proyectos de investigación o quiere saber más sobre la aplicación del sistema — escríbanos directamente.

Escríbanos Pedir un libro