RBF-gestützte Surrogatmodelle und maschinelles Lernen zur Vorhersage mechanischer Eigenschaften beim Friction Stir Additive Manufacturing: Anwendung auf unterschiedliche AA6061/AA7075-Aluminiumlegierungen.

Warum das für künftige Metallbauteile wichtig ist

Moderne Autos und Flugzeuge benötigen Metallbauteile, die gleichzeitig hochfest, leicht und schnell herstellbar sind. Ein vielversprechendes Verfahren namens Friction Stir Additive Manufacturing (FSAM) kann Lagen von Aluminium schichten, ohne das Material zu schmelzen, und vermeidet damit viele Defekte konventioneller 3D-Druckverfahren. Große Mengen an Versuchsreihen per Trial-and-Error durchzuführen, um die optimalen Prozessparameter zu finden, ist jedoch teuer und zeitaufwändig. Diese Studie zeigt, wie eine kleine Anzahl realer Tests, kombiniert mit mathematischer Interpolation und maschinellem Lernen, Ingenieuren helfen kann, zu erkunden, welche FSAM-Einstellungen voraussichtlich bessere Festigkeit und Härte in gemischten Aluminiumbauteilen liefern — und dabei klar trennt, was Vorhersage ist und was noch im Labor bestätigt werden muss.

Bauteile durch Rühren, nicht durch Schmelzen aufbauen

FSAM ist ein Festkörperverfahren: Ein rotierendes Werkzeug drückt in aufeinanderliegende Metallplatten und bewegt sich entlang dieser, wobei Reibungswärme erzeugt wird, die das Material weich macht — aber nicht schmelzen lässt. Während das Werkzeug voranschreitet, rührt es frisches Material ein und verbindet es schichtweise. Da das Metall nie vollständig schmilzt, vermeidet FSAM Porosität und Risse, die bei schmelzbasierter additiver Fertigung häufig auftreten, und kann feine, gleichmäßige Gefüge erzeugen, ähnlich wie Schmiedestücke. Die Autoren konzentrieren sich auf abwechselnde Lagen zweier verbreiteter Aluminiumlegierungen, AA6061 und AA7075, in zwei Stapelreihenfolgen (6061 über 7075 und 7075 über 6061), um zu untersuchen, wie Prozessparameter die Zugfestigkeit und die Vickers-Härte beeinflussen.

Mehr erreichen mit nur neun Experimenten

Eine zentrale Herausforderung ist die Datensparsamkeit: groß angelegte FSAM-Experimente sind kostenintensiv, zeitraubend und durch Maschinenverfügbarkeit sowie Sicherheitsauflagen begrenzt. In dieser Arbeit wurden nur neun sorgfältig gewählte Versuche durchgeführt (ein Taguchi-L9-Design), wobei drei Stellgrößen variiert wurden: Werkzeugdrehzahl, Vorschubgeschwindigkeit und Neigungswinkel. Um die Lücken zwischen diesen neun Punkten zu schließen, nutzte das Team eine mathematische Technik namens Radiale Basisfunktionen (RBF)-Interpolation. RBF nimmt die gemessenen Daten und baut eine glatte Oberfläche über dem dreidimensionalen Parameterraum auf. Aus diesem Surrogat erzeugten sie 882 synthetische Datenpunkte und schufen so eine dichte „virtuelle“ Karte, wie Festigkeit und Härte innerhalb des untersuchten Bereichs von Geschwindigkeiten und Winkeln variieren könnten.

Modelle lehren, das Surrogat zu lernen, nicht die vollständige Welt

Auf diesem erweiterten Datensatz von 891 Punkten (9 reale + 882 synthetische) trainierten die Autoren drei verschiedene Regressionsmodelle: Gaussian Process Regression (GPR), Support Vector Regression (SVR) und Bayesian Ridge Regression. Die Modelle wurden angewiesen, Zugfestigkeit und Härte für beide Stapelreihenfolgen aus den drei Prozessparametern vorherzusagen. GPR stach hervor und reproduzierte die RBF-basierten Werte mit Fehlern oft unter 1 % und hohen R²-Werten (typischerweise über 0,85 im synthetischen Datensatz). SVR zeigte mäßige, überwiegend systematische Unterschätzungen, und die Bayesian Ridge — eine lineare Methode — hatte Schwierigkeiten mit dem stark nichtlinearen Verhalten, besonders bei der Härte. Wichtig ist, dass die Autoren betonen, dass diese nahezu perfekte Leistung bedeutet, dass die Modelle das RBF-Surrogat sehr gut gelernt haben; daraus lässt sich noch nicht schließen, dass sie die gesamte unordentliche Variabilität realer FSAM-Experimente erfassen.

Welche Stellgrößen unter diesen Bedingungen am wichtigsten sind

Um die Modelle interpretierbar zu machen, verwendet die Studie SHAP (SHapley Additive exPlanations), ein Werkzeug, das jedem Eingabeparameter für jede Vorhersage eine Wichtigkeit zuweist. Innerhalb des synthetischen Designraums erweist sich die Werkzeugdrehzahl als dominanter Einflussfaktor für die Zugfestigkeit in beiden Stapelreihenfolgen, gefolgt von der Vorschubgeschwindigkeit, während der Neigungswinkel in der Regel deutlich weniger Bedeutung hat. Bei der Härte ist das Bild ausgewogener: Dreh- und Vorschubgeschwindigkeit tauschen je nach Reihenfolge (6061 oben auf 7075 oder umgekehrt) ihre relative Bedeutung. Die Analyse zeigt außerdem, dass die Stapelreihenfolge selbst eine Rolle spielt — die Konfiguration 7075 über 6061 erreicht unter ähnlichen Prozessbedingungen tendenziell höhere Festigkeit und Härte, was mit der höheren Grundfestigkeit von AA7075 übereinstimmt.

Was dieses Framework behaupten kann und was nicht

Zur Überprüfung der Realitätsnähe führen die Autoren Leave-One-Out-Tests an den ursprünglichen neun Experimenten durch. Die dortigen Fehler liegen im Bereich mehrerer Prozent — deutlich größer als bei den synthetischen Punkten — und zeigen, dass reale Messungen rauschbehafteter sind und das Surrogat noch nicht als Ground Truth gelten kann. Die Autoren machen diese Einschränkung deutlich: Ihr Framework ist ein Weg, Trends zu erkunden und vielversprechende Bereiche im Parameterraum zu identifizieren, wenn nur wenige Experimente vorliegen. Jede „optimale" Einstellung, die aus den synthetischen Karten abgeleitet wird, ist zu diesem Zeitpunkt eine Hypothese, die noch durch unabhängige Experimente bestätigt werden muss. Dennoch bietet der Ansatz eine wiederverwendbare Blaupause für andere datenarme Fertigungsprobleme, indem er spärliche Experimente, glatte Interpolation, probabilistisches maschinelles Lernen und erklärbare Analyse kombiniert, um gezieltere Folgetests statt blindem Ausprobieren zu ermöglichen.

Zitation: 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

Schlüsselwörter: friction stir additive manufacturing, aluminiumlegierungen, Surrogatmodellierung, Gaussian Process Regression, synthetische Daten