النمذجة بالتعلم الآلي المعتمدة على البيانات في قطع الأسلاك بالكهرباء لسبائك الذاكرة الشكلية TiNiCo

معادن ذكية تتذكر شكلها

تخيّل سلكاً معدنيّاً يمكن ثنيه إلى شكل جديد ثم، بقليل من الحرارة، يعود بهدوء إلى شكله الأصلي. تُستَخدم هذه المعادن "الذاكرة الشكلية" حالياً في البُنى التحتية الطبية، وأجزاء الروبوتات الدقيقة، ومكوّنات الطيران. لكن لاستخدامها في أجهزة فعلية يجب قطعها وتشكيلها دون الإضرار بالخصائص التي تجعلها مميزة. تدرس هذه الدراسة كيفية تقطيع سبيكة من التيتانيوم–النيكل–الكوبالت ذات الذاكرة الشكلية بدقة باستخدام شرارات بدلاً من شفرات، وكيف يمكن أن يساعد التعلم الآلي في ضبط العملية للحصول على أسطح ناعمة وقطع فعال.

القطع بالشرارات بدلاً من الشفرات

يعمل الباحثون على سبيكة محددة تُدعى Ti₅₀Ni₄₀Co₁₀، وهي ضمن عائلة من المعادن التي يمكنها "تذكر" شكلها الأصلي وتظهر سلوكاً نابضاً حتى بعد تشوهات كبيرة. تكافح أدوات القطع التقليدية مع هذه السبائك: فهي قوية، وتزداد صلابتها أثناء التشوه، وقد تفقد سلوك الذاكرة الشكلية إذا تعرضت للحرارة الزائدة أو التلف. لتفادي هذه المشكلات، يستخدم الفريق تقطيع الأسلاك بتفريغ كهربائي (WEDM). في هذه الطريقة لا يلمس سلك نحاسي رقيق المعدن فعلياً؛ بل يُغمر المعدن في سائل، وتقفز شرارات كهربائية سريعة عبر فجوة دقيقة بين السلك وقطعة الشغل، فتذيب وتبخر المعدن على مسار ضيق لتشكيل القطع.

إيجاد إعدادات الشرارة المناسبة

حتى مع WEDM، تحقيق توازن جيد بين سرعة القطع وجودة السطح أمر معقد. تتحكم كل شرارة بواسطة معلمات مثل مدة تشغيلها والمسافة بين السلك وقطعة الشغل. تركز هذه الدراسة على رافعتين مهمتين على نحو خاص: زمن النبضة (مدة استمرار كل شرارة) وجهد السيرفو (الذي يساعد في التحكم في الفجوة بين السلك والمعدن، وبالتالي في قوة واستقرار الشرارة). من خلال تغيير هذين الإعدادين بعناية مع إبقاء باقي المتغيرات ثابتة، يقيس المؤلفون نتيجتين رئيسيتين: مدى سرعة إزالة المادة (معدل إزالة المادة، MRR) ومدى خشونة السطح بعد القطع (خشونة السطح، SR). كما يفحصون أسطح القطع ثلاثية الأبعاد وتحت مجاهر إلكترونية لرصد عمق الحفر، والشقوق، وطبقات المعدن المعاد تجمّدها.

كيف يبدو سطح المعدن عن قرب

عندما تكون الشرارات قوية وطويلة الأمد — زمن نبضة عالٍ مجتمعة مع جهد سيرفو منخفض — تُزال المادة بسرعة، لكن السطح يتعرض للتلف. تُظهر الميكروسكوبية حفرًا عميقة، وبركًا منصهرة متداخلة، وطبقة سميكة من المعدن المعاد صهره (recast)، وشقوقًا دقيقة ناجمة عن التسخين والتبريد السريعين. تُكشف عناصر من السلك والسائل، مثل النحاس والزنك والأكسجين والكربون، في هذه الطبقة الخارجية، مما يؤكد تغيير كيمياء السطح أثناء القطع. في الطرف المقابل، تؤدي الشرارات الأقصر والفجوة الأكبر — زمن نبضة أقل وجهد سيرفو أعلى — إلى تفريغات ألطف وأكثر استقراراً. تبطأ إزالة المادة، لكن السطح الناتج يظهر حفرًا ضحلةً، وشقوقًا أقل، وطبقة متأثرة أرق، مما يدل على "تكامل سطحي" أفضل، وهو أمر حاسم لعمر التعب، ومقاومة التآكل، وفي نهاية المطاف للزراعات الطبية الآمنة.

ترك شبكة عصبية تتعلم الإعدادات الأفضل

نظرًا لأن العلاقة بين إعدادات الشرارة وجودة السطح معقّدة وغير خطية للغاية، اتجه الفريق إلى النمذجة المعتمدة على البيانات. أدخلوا نتائج 25 تجربة WEDM إلى شبكة عصبية اصطناعية، وهي نوع من نماذج التعلم الآلي القادرة على استنتاج الأنماط من الأمثلة. تأخذ الشبكة زمن النبضة وجهد السيرفو كمدخلات وتتنبأ بكلٍّ من خشونة السطح ومعدل إزالة المادة كمخرجات. مع استخدام معظم البيانات للتدريب وكمية أصغر للاختبار والتحقق، تتعلم النموذج بسرعة تقليد النتائج التجريبية. تُظهر المقاييس الإحصائية توافقاً عالياً بين القيم المتوقعة والمقاسة، مع أخطاء متوسطة صغيرة ولا انحياز قوي، ما يشير إلى أن الشبكة العصبية يمكنها التنبؤ بثقة بكيفية أداء تركيبة جديدة من الإعدادات ضمن النطاق المختبر.

لماذا يهم هذا لأجهزة العالم الحقيقي

بالنسبة للمهندسين الذين يصممون زرعات طبية أو مشغلات مصغرة من سبائك الذاكرة الشكلية، يجب أن يكون كل قطع دقيقًا ولطيفًا بما يكفي للحفاظ على السلوك الخاص للمادة. تُظهر هذه الدراسة أنه من خلال الجمع بين القطع بالشرارات المتحكم بها والتعلم الآلي، يمكن تحديد إعدادات تقدّم توازناً مقبولاً بين سرعة القطع وجودة السطح، مع الحفاظ على معظم البنية الداخلية للسبيكة. وعلى الرغم من أن مجموعة البيانات متواضعة وهناك حاجة لمزيد من اختبار الأداء الوظيفي، فإن العمل يبيّن مسارًا عملياً نحو التصنيع "الذكي": بدلاً من التجربة والخطأ، يمكن للمصنّعين الاعتماد على نماذج مُدرّبة للتركيز سريعًا على ظروف تشغيل تعطي أجزاء أنعم وأكثر موثوقية من هذه المعادن الصعبة في المعالجة.

الاستشهاد: Tyagi, R., Soni, H., Tripathi, A. et al. Data-driven machine learning modelling in wire EDM of TiNiCo shape memory alloy. Sci Rep 16, 11845 (2026). https://doi.org/10.1038/s41598-026-41113-1

الكلمات المفتاحية: سبيكة الذاكرة الشكلية, قطع الأسلاك بالكهرباء, خشونة السطح, معدل إزالة المادة, نمذجة الشبكات العصبية