Clear Sky Science · ar

تعلم آلي قابل للتفسير موجَّه بالفيزياء لنمذجة الاستجابة المتعددة في المعالجة الكهربائية الدقيقة باستخدام أقطاب جرافيت بوليمرية

· العودة إلى الفهرس

أجزاء أصغر، آلات أذكى

من الزرعات الطبية إلى القنوات الدقيقة في الإلكترونيات، تعتمد المنتجات الحديثة على ميزات ميكروسكوبية محفورة في معادن صلبة. من الصعب إنتاج هذه البنى نظيفةً وبدقة، وكل تجربة لضبط العملية تكلف وقتًا ومالًا. تُظهر هذه الدراسة كيف يمكن لمزج الفيزياء مع التعلم الآلي أن يساعد المهندسين على توقع سلوك طريقة معالجة متخصصة، بحيث يمكنهم الوصول إلى إعدادات أفضل بعدد أقل من التجارب.

كيف يُشكَل المعدن دون قطع

تركز الدراسة على المعالجة الكهربائية الميكروية، وهي طريقة تشكّل المعدن ليس بالقطع بل بالذوبان المنضبط. يتم تقريب أداة حادة من الجرافيت إلى قطعة من الفولاذ المقاوم للصدأ داخل محلول ملحي متدفق، وتؤدي نبضات كهربائية قصيرة إلى ذوبان سطح المعدن حيث يكون الحقل الكهربائي أقوى. تنتج هذه الطريقة ثقوبًا وقنوات دقيقة مع تآكل أداة ضئيل وإجهاد ميكانيكي قليل، ما يجعلها جذابة لمكونات الطيران والأجهزة الطبية والميكروإلكترونيات. ومع ذلك، من الصعب السيطرة على العملية لأن عدة عوامل مثل الجهد وتركيز الملح ودورة العمل للنبضات تتفاعل بطرق معقدة.

Figure 1. كيف يُحسِّن التعلم الآلي الواعي بالفيزياء تشكيل المعادن الدقيقة دون تجارب تجريبية متعددة
Figure 1. كيف يُحسِّن التعلم الآلي الواعي بالفيزياء تشكيل المعادن الدقيقة دون تجارب تجريبية متعددة

لماذا مادة الأداة مهمة

قارن الباحثون بين نوعين من أقطاب الجرافيت البوليمرية: نوع قياسي ونوع عولج بالتبريد العميق، أي تم تبريده إلى درجات حرارة منخفضة جدًا لتغيير هيكله الداخلي. تحت المجهر بدا سطح الأداة غير المعالجة خشناً ومسامياً، بينما بدا سطح الأداة المعالجة أنعم وأكثر انتظامًا. تُرجمت هذه الاختلافات إلى شكل وجودة الثقوب الدقيقة المنتجة. كانت الثقوب المصنوعة بالأداة غير المعالجة تميل إلى مداخل أوسع، وجدران متناقصة، وأس surfaces أكثر خشونة، بينما كانت الثقوب المصنوعة بالأداة المعالجة أكثر دائرية، وأقرب إلى استقامة، وأكثر نَعومة. أكدت هذه الملاحظات أن حالة الأداة لها تأثير كبير على كيفية ذوبان المعدن وزوّدت أساسًا فيزيائيًا لإدراج حالة الأداة في النمذجة.

تعليم نموذج لاحترام الفيزياء

بدلاً من إدخال إعدادات خام فقط مثل الجهد وتركيز الملح إلى نموذج تعلم آلي، بنى الفريق ميزات إدخال إضافية تعكس كيفية عمل العملية فعليًا. مسترشدين بالكهرالكيمياء، جمعوا المتغيرات في تعابير تمثل شدة التحميل الكهربائي الكلية وطريقة تفاعل النبضات الكهربائية وخواص المحلول. باستخدام مجموعة صغيرة لكن مصممة بعناية من 34 تجربة، درّبوا نماذج تجميعية لتتنبأ بأربعة نتائج رئيسية في آن واحد: معدل إزالة المادة، ومدى تجاوز حجم الثقب لحجم الأداة، ومقدار تزايد الجدران (التحيز)، ومدى خشونة السطح. قارَنوا هذه النماذج الموجَّهة بالفيزياء مع ملاءمات كثيرة الحدود التقليدية ونماذج استخدمت المدخلات الأساسية فقط.

رؤية داخل قرارات النموذج

توقعت النماذج الموجَّهة بالفيزياء النتائج بدقة أكبر باستمرار مقارنةً بالمعادلات التقليدية والإصدارات المعتمدة كليًا على البيانات. على سبيل المثال، فسّر أفضل نموذج أكثر من 90 بالمئة من التباين في التجاوز وحوالي 87 بالمئة من التباين في خشونة السطح. وعلى نحوٍ لا يقل أهمية، استخدم الباحثون أدوات الذكاء الاصطناعي القابلة للتفسير لرؤية أي المدخلات كانت الأكثر أثرًا. سيطرت الميزات التي ترمز للتأثيرات المجمعة للجهد، ودورة عمل النبض، وتركيز الإلكتروليت على التنبؤات، متوافقة مع توقعات الكهرالكيمياء. كما ظهرت حالة الأداة كعنصر رئيسي يؤثر على الدقة الهندسية وجودة السطح. أكدت فحوص البواقي والاختبارات بالبيانات المُشَوَّشة أن الأخطاء المتبقية كانت في الغالب عشوائية بدلاً من دلائل على اتّجاه خفي فشل النموذج في التقاطه.

Figure 2. عرض خطوة بخطوة لكيفية تدفّق شروط العملية إلى نموذج وإنتاج ثقوب دقيقة أنعم وأكثر دقة
Figure 2. عرض خطوة بخطوة لكيفية تدفّق شروط العملية إلى نموذج وإنتاج ثقوب دقيقة أنعم وأكثر دقة

توجيه إعدادات أفضل وأدوات مستقبلية

من خلال تحويل حفنة من التجارب المخططة جيدًا إلى متنبئ موثوق ومؤسَّس فيزيائيًا، يوفر هذا العمل طريقة لاستكشاف إعدادات العملية على الحاسوب بدلًا من الاعتماد الكلي على أرض المصنع. يمكن للنموذج توليد خرائط سلسة تظهر كيف ستؤثر تغييرات الجهد أو قوة المحلول على معدل إزالة المادة، وحجم الثقب، والانحراف (التضائم)، والخشونة، كما يبرز مناطق تشغيل أكثر استقرارًا عند استخدام أدوات معالجة بالتبريد العميق. بالنسبة للمهندسين، يعني هذا ضبطًا أسرع للمهام الجديدة، وفهمًا أوضح للمقايضات بين السرعة والجودة، ومسارًا نحو التوائم الرقمية والتحكم التكيفي في المعالجة الكهربائية الميكروية.

الاستشهاد: Reddy, B.V.S., Pradeep, N., Bhaskar, A.S. et al. Physics-guided explainable machine learning for multi-response modeling of electrochemical micro-machining using polymer graphite electrodes. Sci Rep 16, 15623 (2026). https://doi.org/10.1038/s41598-026-46315-1

الكلمات المفتاحية: المعالجة الكهربائية الميكروية, التعلم الآلي الموجَّه بالفيزياء, خشونة السطح, التصنيع الدقيق, قطب جرافيت بوليمري