النمذجة البديلة المدعومة بدوال الأساس الشعاعية وتعلم الآلة لتوقع الخواص الميكانيكية في التصنيع الإضافي بالحك الاحتكاكي: تطبيق على سبائك الألومنيوم المختلفة AA6061/AA7075.

لماذا يهم هذا لقطع المعادن المستقبلية

تحتاج السيارات والطائرات الحديثة إلى قطع معدنية تكون قوية وخفيفة وسريعة التصنيع. تقنية واعدة تُسمى التصنيع الإضافي بالحك الاحتكاكي (FSAM) تسمح بتكديس طبقات من الألومنيوم دون إذابتها، متجنبةً بذلك العديد من العيوب المرتبطة بالطباعة ثلاثية الأبعاد التقليدية بالانصهار. لكن إجراء عدد كبير من تجارب التجربة والخطأ لضبط إعدادات العملية مكلف وبطيء. تُظهر هذه الدراسة كيف يمكن لمجموعة صغيرة من الاختبارات الحقيقية، مصحوبة باستيفاء رياضي وتعلم آلي، أن تساعد المهندسين على استكشاف إعدادات FSAM التي من المرجح أن تعطي قوة وصلابة أفضل في قطع الألومنيوم المختلطة — مع توضيح واضح لما هو توقع وما الذي لا يزال يحتاج إثباتًا تجريبيًا.

بناء القطع عن طريق التحريك، لا الإذابة

FSAM هي عملية في الحالة الصلبة: أداة دوَّارة تضغط على صفائح معدنية مكدسة وتتحرك عليها، مولدة حرارة احتكاكية تُلين المادة دون إذابتها. أثناء تقدم الأداة، تقوم بتحريك وربط مادة جديدة في البنية، طبقة تلو الأخرى. وبما أن المعدن لا يذوب بالكامل، فإن FSAM تتجنب المسامية والتشقق التي قد تصيب الطباعة القائمة على الانصهار، ويمكنها إنتاج حبيبات دقيقة وموحدة شبيهة بتلك الناتجة عن الطرق. يركز المؤلفون على طبقات متبادلة من سبكين مستخدمين على نطاق واسع، AA6061 وAA7075، مرتبة في نظامي تكديس (6061 فوق 7075 و7075 فوق 6061)، لدراسة كيف تؤثر إعدادات العملية على المقاومة القصوى للشد وصلابة فيكرز.

الاستفادة القصوى من تسع تجارب فقط

تتمثل تحديات رئيسية في ندرة البيانات: تجارب FSAM على النطاق الكامل مكلفة وتستغرق وقتًا ومحدودة بتوفر الآلات وقيود السلامة. هنا أُجريت تسع تجارب مختارة بعناية فقط (تصميم تاغوتشي L9)، متغيرةً بثلاثة إعدادات: سرعة دوران الأداة، سرعة السير (traverse)، وزاوية الميل. لسد الفجوات بين هذه النقاط التسع، استخدم الفريق تقنية رياضية تسمى استيفاء دوال الأساس الشعاعية (RBF). تأخذ RBF البيانات المقاسة وتبني سطحًا أملسًا عبر فضاء المعلمات الثلاثة. من هذا السطح البديل، ولَّدوا 882 نقطة بيانات تركيبية، فأنشأوا فعليًا خريطة ‘‘افتراضية’’ كثيفة لكيفية تغير القوة والصلابة داخل نافذة السرعات والزوايا المختبرة.

تدريب النماذج على تعلم السطح البديل، لا العالم

على هذا المجمّع المعزَّز من البيانات المكون من 891 نقطة (9 حقيقية + 882 تركيبية)، درّب المؤلفون ثلاثة نماذج انحدار مختلفة: انحدار العمليات الغاوسي (GPR)، وانحدار آلات الدعم (SVR)، وانحدار الريج البايزي (Bayesian Ridge). طُلِب من هذه النماذج توقع مقاومة الشد والصلابة لكلا تسلسلي التكديس، معطاة المعلمات الثلاث للعملية. تميز GPR بقدرته على إعادة إنتاج القيم المبنية على RBF بدقة غالبًا أقل من 1% ودرجات R² عالية (عادةً فوق 0.85 عبر المجموعة التركيبية). أظهر SVR تقليلًا متواضعًا ومنهجيًا في معظم الأحيان، أما Bayesian Ridge — كأسلوب خطي — فقد واجه صعوبة مع السلوك غير الخطي القوي، خاصةً بالنسبة للصلابة. ومن الضروري أن يوضح المؤلفون أن هذا الأداء القريب من الكمال يعني أن النماذج تعلمت السطح البديل القائم على RBF جيدًا؛ لكنه لا يثبت بعد أنها تمثل كل التباينات والتقلبات الحقيقية لتجارب FSAM.

أي إعدادات هي الأكثر تأثيرًا في هذه الظروف؟

لجعل النماذج قابلة للتفسير، تستخدم الدراسة أداة SHAP (تفسير شابلي الإضافي)، التي تعطي درجة أهمية لكل معامل إدخال لكل توقع. ضمن فضاء التصميم التركيبي، تظهر سرعة دوران الأداة كسائق رئيسي لمقاومة الشد في كلا تسلسلي التكديس، تليها سرعة السير، بينما تكون زاوية الميل عادة بعيدة في المرتبة الثالثة. أما بالنسبة للصلابة، فالصورة أكثر توازنًا: تتبادل سرعتا الدوران والسير أهميتهما حسب ما إذا كانت 6061 فوق 7075 أم العكس. كما تبرز التحليل أن تسلسل التكديس نفسه مهم — تميل تركيبية 7075 فوق 6061 إلى الوصول إلى قوة وصلابة أعلى تحت ظروف معالجة مماثلة، وهو ما يتوافق مع المقاومة الأساسية الأعلى لسبك AA7075.

ما الذي يمكن أن يدعيه هذا الإطار وما الذي لا يمكنه

للتحقق من الواقعية، يجري المؤلفون اختبارات ترك-واحد خارج (leave-one-out) على التجارب التسع الأصلية. كانت الأخطاء هناك عدة بالمئات — أكبر بكثير مما لوحظ على النقاط التركيبية — مما يظهر أن القياسات الحقيقية أكثر ضوضاءً وأن السطح البديل لا يمكن اعتباره مصدر الحقيقة بعد. المؤلفون صريحون بشأن هذا القيد: إطارهم هو وسيلة لاستكشاف الاتجاهات وتحديد مناطق واعدة من فضاء المعلمات عندما تتوفر تجارب قليلة فقط. أي إعداد «مثالي» يُستخلص من الخرائط التركيبية هو، في هذه المرحلة، فرضية لا تزال بحاجة إلى تأكيد تجريبي مستقل. ومع ذلك، يقدم النهج مخططًا قابلاً لإعادة الاستخدام لمشكلات التصنيع ذات ندرة البيانات، بدمج تجارب متناثرة واستيفاء أملس وتعلم آلي احتمالي وتحليل قابل للتفسير لتوجيه اختبارات متابعة أذكى بدلًا من التجربة العشوائية.

الاستشهاد: Venkatachalam, K., Selvaraj, S.K., Mannayee, G. et al. RBF-assisted surrogate modeling and machine learning for mechanical property prediction in friction stir additive manufacturing: Application to dissimilar AA6061/AA7075 aluminum alloys.. Sci Rep 16, 14168 (2026). https://doi.org/10.1038/s41598-026-42608-7

الكلمات المفتاحية: التصنيع الإضافي بالحك الاحتكاكي, سبائك الألومنيوم, النمذجة البديلة, انحدار العمليات الغاوسي, البيانات الصناعية