التحسين والتنبؤ بدرجة الحرارة القصوى في لحام الاحتكاك للألمنيوم Al 6061 T6 باستخدام تقنيات إحصائية وتعلم آلي

لماذا الحفاظ على برودة الوصلات مهم

من الطائرات إلى السيارات الكهربائية، تعتمد آلات كثيرة على أجزاء من الألمنيوم يجب ربطها دون إضعافها. يعد لحام الاحتكاك طريقة شائعة لتحقيق ذلك، لأنه يمزج القطع معًا دون أن يذيب المعدن بالكامل. لكن إذا كانت العملية ساخنة جدًا، فقد يطرى الألمنيوم أو يفقد قوته أو حتى يذوب. تستعرض هذه الورقة كيفية التنبؤ والتحكم في أعلى درجات الحرارة التي تصل إليها أثناء لحام سبيكة شائعة، Al 6061 T6، باستخدام المحاكاة الحاسوبية والإحصاء الذكي والتعلم الآلي، حتى يتمكن المصنعون من الحصول على وصلات قوية ومتسقة مع تجنب الضرر الحراري.

كيف يعمل هذا اللحام في الحالة الصلبة

في لحام الاحتكاك، يتم الضغط بأداة دوارة على شكل سن قصير مع كتف عريض في الوصلة بين لوحين وتحريكها على طول اللح seam. ينتج عن الاحتكاك والتشكيل البلاستيكي تسخين وتليين المعدن بحيث يمتزج ويتكسر معًا دون التحول إلى سائل. بالنسبة لـ Al 6061 T6، تقع درجة الحرارة «المثلى» هذه تحت نقطة الانصهار ولكن بدرجة كافية للسماح بالامتزاج الجيد. إذا اقتربت درجة الحرارة القصوى أو تجاوزت نحو أربعة أخماس درجة الانصهار، فقد تتكاثف أو تتضخم جزيئات التقسية في السبائك أو يبدأ المعدن في الذوبان، مما يؤدي إلى مناطق أطرى وأداء ميكانيكي أضعف. لذلك، فإن التحكم في درجة الحرارة القصوى ضروري للسلامة والمتانة.

اختبار عدة متغيرات مرة واحدة

ركز الباحثون على سبعة عناصر يمكن للملحمين تعديلها: مادة الأداة، قطر السن، قطر الكتف، سرعة الدوران، سرعة الحركة، القوة المحورية الضاغطة للأداة، واحتكاك الأداة باللوح. بدلًا من إجراء آلاف التجارب، استخدموا تصميم تاجوتشي، وهو اختصار إحصائي يختار مجموعة مدروسة مؤلفة من 32 تركيبة تكشف أي العناصر أكثر أهمية. لكل تركيبة، بنوا نموذجًا ثلاثي الأبعاد في COMSOL لمحاكاة توليد الحرارة من الأداة الدوارة وكيف تنتشر تلك الحرارة عبر لوح الألمنيوم والقالب الخلفي. ثم قارنوا مجموعة فرعية من هذه المحاكاة بتجارب على ماكينة تفريز مُعدلة، مستخدمين حراريّات لقياس درجات الحرارة في مواقع مختلفة حول اللحام. تطابقت درجات الحرارة القصوى المحاكاة والمقاسة ضمن نحو 7%، ما أعطى ثقة في أن النموذج التقط السلوك الحراري الحقيقي.

تحديد المسببات الرئيسية للفرط الحراري

مع توفر بيانات المحاكاة، طبّق الفريق أدوات إحصائية لفرز أي معلمات العملية لها أكبر تأثير على درجة الحرارة القصوى. باستخدام تحليل تاجوتشي وتحليل التباين، وجدوا قادة واضحين: القوة المحورية وسرعة الدوران للأداة. تنتج سرعات الدوران الأعلى وقوة الضغط الأكبر تسخينًا احتكاكيًا وتشوهًا بلاستيكيًا أكثر بكثير، مما يدفع درجات الحرارة القصوى إلى الارتفاع؛ في بعض الحالات المحاكاة، تجاوزت درجة حرارة منطقة اللحام 600 °م، أعلى من نطاق نقطة الانصهار الآمن لهذه السبيكة. كان لتغييرات حجم السن والكتف تأثير ثانوي عن طريق تغيير مساحة التلامس، بينما كان لاختيار مادة الأداة وتفاوتات صغيرة في معامل الاحتكاك تأثير محدود نسبيًا. تشير هذه النتائج إلى أن التحكم الدقيق في السرعة والقوة هو الطريقة الأكثر فاعلية للحفاظ على درجات حرارة اللحام دون تجاوز مستويات ضارة.

السماح لشبكة عصبية بتوقع الحرارة

للتجاوز عن قواعد الإبهام الثابتة، درّب المؤلفون شبكة عصبية اصطناعية بسيطة لتعلم العلاقة بين إعدادات اللحام ودرجة الحرارة القصوى. استخدموا نتائج المحاكاة كأمثلة، مُدخلين ستة متغيرات أكثر صلة (كل العناصر عدا مادة الأداة) ودربوا الشبكة على إخراج التنبؤ بالحد الأقصى لدرجة الحرارة. عن طريق تقسيم البيانات إلى مجموعات تدريب وتحقق واختبار واستخدام طريقة الانتشار العكسي القياسية، تعلمت الشبكة إعادة إنتاج نتائج المحاكاة بدقة عالية جدًا: اختلفت توقعاتها عن المحاكاة بحوالي 1% في المتوسط، أفضل من أخطاء 3–4% من معادلات الانحدار لتاجوتشي ونماذج ANOVA. يُظهر هذا أنه حتى مع مجموعة بيانات صغيرة نسبيًا، يمكن لشبكة عصبية مصممة جيدًا أن تلتقط تفاعلات دقيقة بين المعلمات تفوتها النماذج الأبسط.

ماذا يعني هذا للحام في العالم الحقيقي

تخلص الدراسة إلى أن الجمع بين محاكاة العناصر المحدودة، والتصميم الإحصائي، والشبكات العصبية يوفر مجموعة أدوات قوية لجعل لحام الاحتكاك أكثر أمانًا وكفاءة. من خلال تحديد القوة المحورية وسرعة الدوران كعوامل مهيمنة على التسخين، وتقديم متنبئ سريع لدرجة الحرارة القصوى، يمكن لهذا النهج أن يوجّه المهندسين إلى اختيار إعدادات تتجنب الفرط الحراري مع الحفاظ على وصلات سليمة. عمليًا، يعني هذا عيوبًا أقل، ومكونات أطول عمرًا، وتقليل التجربة والخطأ على خطوط الإنتاج في الطيران، وصناعة السيارات، وغيرها من الصناعات التي تعتمد على هياكل الألمنيوم خفيفة الوزن.

الاستشهاد: Anis, A., Shakaib, M. & Hanif, M.S. Optimization and prediction of peak temperature in friction stir welding of Al 6061 T6 using statistical and machine learning techniques. Sci Rep 16, 7901 (2026). https://doi.org/10.1038/s41598-025-03217-y

الكلمات المفتاحية: لحام الاحتكاك, سبائك الألمنيوم, التحكم الحراري, تحسين العملية, نمذجة الشبكات العصبية