Datengetriebene Machine-Learning-Modellierung beim Drahterodieren von TiNiCo-Formgedächtnislegierung

Intelligente Metalle, die sich an ihre Form erinnern

Stellen Sie sich einen Metalldraht vor, der gebogen werden kann und sich dann, mit etwas Wärme, wieder leise in seine ursprüngliche Form zurückklappt. Diese „Formgedächtnis“-Metalle werden bereits für medizinische Implantate, winzige Roboterbauteile und Luft- und Raumfahrtkomponenten untersucht. Damit sie in echten Geräten eingesetzt werden können, müssen Ingenieure sie jedoch so zuschneiden und formen, dass gerade die Eigenschaften, die sie besonders machen, nicht zerstört werden. Diese Studie untersucht, wie sich eine Titan–Nickel–Cobalt-Formgedächtnislegierung präzise mit Funken statt mit Schneidklingen trennen lässt und wie Machine Learning helfen kann, den Prozess für glatte Oberflächen und effizientes Schneiden zu optimieren.

Schneiden mit Funken statt Klingen

Die Forschenden arbeiten mit einer spezifischen Legierung namens Ti₅₀Ni₄₀Co₁₀, die zur Familie der Metalle gehört, die sich an ihre ursprüngliche Form „erinnern“ und auch nach großen Verformungen federähnliches Verhalten zeigen. Traditionelle Schneidwerkzeuge haben bei solchen Legierungen Probleme: sie sind sehr zäh, verhärten sich bei Verformung und können ihre Formgedächtnis-Eigenschaften verlieren, wenn sie überhitzt oder beschädigt werden. Um diese Probleme zu vermeiden, nutzt das Team das Drahterodieren (WEDM). Bei diesem Verfahren berührt ein dünner Messingdraht das Material nie direkt. Stattdessen ist das Werkstück in einer Flüssigkeit untergetaucht, und schnelle elektrische Funken schlagen über einen winzigen Spalt zwischen Draht und Werkstück hinweg, wodurch Metall in einem schmalen Bereich schmilzt und verdampft und so der Schnitt entsteht.

Die richtigen Funken-Einstellungen finden

Selbst beim WEDM ist es schwierig, ein gutes Gleichgewicht zwischen Schnittgeschwindigkeit und Oberflächenqualität zu finden. Jeder Funkenschlag wird durch Parameter gesteuert, etwa wie lange er andauert und wie groß der Abstand zwischen Draht und Werkstück ist. Diese Studie konzentriert sich auf zwei besonders wichtige Stellgrößen: die Einschaltzeit (pulse-on time — wie lange jeder Funken aktiv ist) und die Servo-Spannung (die hilft, den Spalt zwischen Draht und Metall zu regeln und damit Funkendauer und -stabilität beeinflusst). Durch gezieltes Variieren dieser beiden Einstellungen bei konstant gehaltenen übrigen Parametern messen die Autorinnen und Autoren zwei wichtige Ergebnisse: wie schnell Material entfernt wird (Materialabtragsrate, MRR) und wie rau die Oberfläche nach dem Schneiden ist (Oberflächenrauheit, SR). Sie untersuchen die Schnittflächen außerdem dreidimensional und mit Elektronenmikroskopen, um zu sehen, wie tief Krater sind, wo Risse auftreten und wie dick erstarrte Schichten aus geschmolzenem Metall sind.

Wie die Metalloberfläche aus der Nähe aussieht

Wenn die Funken stark und lang anhaltend sind — hohe Einschaltzeit kombiniert mit niedriger Servo-Spannung — wird das Metall schnell abgetragen, aber die Oberfläche leidet. Mikroskopische Aufnahmen zeigen tiefe Krater, überlappende Schmelzbecken, eine dicke „Recast“-Schicht aus wieder erstarrtem Metall und feine Risse, die durch schnelles Erhitzen und Abkühlen entstehen. Elemente vom Draht und aus der Flüssigkeit, wie Kupfer, Zink, Sauerstoff und Kohlenstoff, finden sich in dieser äußeren Schicht, was bestätigt, dass sich die Oberflächenchemie beim Schneiden verändert. Am anderen Ende des Spektrums führen kürzere Funken und ein größerer Spalt — niedrigere Einschaltzeit und höhere Servo-Spannung — zu sanfteren, stabileren Entladungen. Der Materialabtrag verlangsamt sich, aber die resultierende Oberfläche weist flachere Krater, weniger Risse und eine dünnere gestörte Schicht auf, was auf eine bessere Oberflächenintegrität hinweist, die für Ermüdungsfestigkeit, Korrosionsbeständigkeit und letztlich für sichere Implantate entscheidend ist.

Ein neuronales Netz die besten Einstellungen lernen lassen

Da die Beziehung zwischen Funkenparametern und Oberflächenqualität komplex und stark nichtlinear ist, greift das Team auf datengetriebene Modellierung zurück. Sie speisen Ergebnisse aus 25 WEDM-Experimenten in ein künstliches neuronales Netz, eine Art Machine-Learning-Modell, das Muster aus Beispielen lernt. Das Netz erhält Einschaltzeit und Servo-Spannung als Eingangsgrößen und sagt sowohl die Oberflächenrauheit als auch die Materialabtragsrate als Ausgänge voraus. Mit dem Großteil der Daten zum Trainieren und einem kleineren Anteil für Test und Validierung lernt das Modell schnell, die experimentellen Ergebnisse nachzubilden. Statistische Kennzahlen zeigen eine sehr hohe Übereinstimmung zwischen vorhergesagten und gemessenen Werten, mit geringen mittleren Fehlern und ohne starke Verzerrung, was darauf hindeutet, dass das neuronale Netz innerhalb des untersuchten Bereichs zuverlässig vorhersagen kann, wie sich eine neue Kombination von Einstellungen verhält.

Warum das für reale Bauteile wichtig ist

Für Ingenieurinnen und Ingenieure, die medizinische Implantate oder miniaturisierte Aktuatoren aus Formgedächtnislegierungen fertigen, muss jeder Schnitt präzise und zugleich schonend genug sein, um das besondere Verhalten des Materials zu erhalten. Diese Studie zeigt, dass sich durch die Kombination kontrollierten funkenbasierten Schneidens mit Machine Learning Einstellungen identifizieren lassen, die einen akzeptablen Kompromiss zwischen Schnittgeschwindigkeit und Oberflächenqualität bieten, während die innere Struktur der Legierung größtenteils erhalten bleibt. Obwohl der Datensatz überschaubar ist und weitere Tests zur funktionalen Leistung noch nötig sind, demonstriert die Arbeit einen praxisorientierten Weg zu „intelligenter“ Fertigung: Statt Trial-and-Error können Hersteller auf trainierte Modelle bauen, um schnell Prozessbedingungen zu finden, die aus diesen ansonsten schwer zu bearbeitenden intelligenten Metallen glattere und zuverlässigere Bauteile erzeugen.

Zitation: 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

Schlüsselwörter: Formgedächtnislegierung, Drahterodieren, Oberflächenrauheit, Materialabtragsrate, Neuronales Netz Modellierung