Эффект стабилизации мартенсита оказывает существенное влияние на термомеханический отклик сплавов с памятью
формы и требует его корректного учёта при численном моделировании. Ранее авторами в рамках микроструктурного
подхода разработана модель, базирующаяся на гипотезе о повреждении межмартенситных границ и позволяющая описывать этот эффект в сплавах TiNi. В данной работе рассмотрены четыре подхода к идентификации материальных постоянных модели: ручной, детерминированный метод Нелдера–Мида, стохастический генетический алгоритм и нейросетевой подход на основе архитектуры Deep Sets. Использованы известные из литературы результаты экспериментов на сплавах никелида
титана Ti50Ni50 и Ti49Ni51, воспроизводящих три характерных способа задания предварительной деформации: в виде растягивающей деформации в мартенситном состоянии; как охлаждение под постоянной нагрузкой; путём наведения мартенсита напряжениями. Подбор параметров модели нацелен на минимизацию функции невязки между расчётными и экспериментальными сдвигами температуры начала обратного мартенситного превращения. Выполнено сравнение точности и вычислительной эффективности методов определения параметров для двух сплавов. Результаты показывают, что метод Нелдера–Мида и генетический алгоритм обеспечивают сопоставимое качество аппроксимации экспериментальных данных при умеренных вычислительных затратах и простой настройке. Нейросетевой подход даёт менее точное соответствие расчёта и эксперимента, позволяет за короткий промежуток времени получить константы после обучения, однако требует предварительной генерации объёмного тренировочного датасета и демонстрирует повышенную чувствительность к начальным условиям обучения. Полученные результаты подтверждают применимость перечисленных подходов для автоматизированного
подбора параметров моделей сплавов с памятью формы.