אופטימיזציה מרובת-תשובות וחיזוי מבוסס למידת מכונה של עיבוד על-גילוף חם ישיר של סגסוגת מגנזיום AZ31

עיצוב מתכות קלות ביעילות רבה יותר

מרכבים ברכב ובמטוסים ועד השתלות רפואיות, יצרנים מצפים להשתמש במתכות קלות שיכולות לחסוך דלק ולשפר ביצועים. סגסוגות מגנזיום מושכות במיוחד כי הן גם קלות וגם חזקות, אך קשה לעצב אותן בטמפרטורת החדר והן עלולות לסדוק בקלות. מחקר זה בוחן דרך חכמה יותר לעצב חלקים מסגסוגת מגנזיום נפוצה, AZ31, על ידי חימום מתון ושימוש בשיטות מונחות-נתונים — כולל למידת מכונה — כדי למצוא הגדרות שהן מהירות, חוסכות אנרגיה ופחות מועדות לגרימת נזק לחומר.

איך כלי נע חורט בעדינות על פלטת מתכת

במקום לדחוק פלטת מתכת לתבנית מוצקה במכה אחת, עיבוד על-גילוף מדורג משתמש בכלי מעוגל שמעקוב אחר מסלול מעל המתכת ומעביר אותה מעט עמוק יותר בכל מעבר. בעבודה זו הצוות התמקד בצורת חריץ ישר: תעלה פשוטה שנחצב על פלטות AZ31 בעובי 1 מ"מ. הפלטה מהודקת מעל תא חימום חשמלי מותאם כדי לאפשר חימום לטמפרטורות של כ-200–250 °C, ומכונת CNC שולטת בתנועה של הכלי צעד אחר צעד בזמן שחיישן כוח מודד כמה בכוח יש לדחוף וכמה זמן לוקח עד שהפלטה בסופו של דבר נשברת.

להפוך ניסויים רבים למתכון אחד מיטבי

מכיוון שניתן לכוונן ארבע הגדרות שונות — טמפרטורה, עומק הצעד בכל מעבר, מהירות הספינדל וקצב הזנה — החוקרים השתמשו בתוכנית בדיקות מובנית הנקראת תכנון טאגוצ'י כדי להריץ 27 ניסויים נבחרים בקפידה במקום לנסות את כל השילובים האפשריים. לאחר מכן הם יישמו שיטת דירוג הידועה כ-TOPSIS שמאחדת שתי מטרות בבת אחת: שמירה על כוחות עיבוד נמוכים (כדי לצמצם בלאי ושימוש באנרגיה) ושמירה על זמני עיבוד קצרים (כדי לשפר את היעילות). שיטה זו מעניקה לכל ניסוי ציון יחיד, שנקרא מקדם קירבה, שמציין כמה הוא קרוב לתוצאה האידיאלית — כוח נמוך וזמן נמוך יחד.

חימום וצעד קטן עושים את העבודה הקשה

הניתוח הראה ששתי הגדרות הן המשפיעות ביותר: כמה חם החומר ואיך עמוק כל צעד אנכי של הכלי. חימום פלטת AZ31 לכ-250 °C הופך את המבנה הגבישי הפנימי לגמיש יותר, כך שהיא יכולה להימתח בקלות רבה יותר ודורשת פחות כוח לעיצוב. במקביל, שימוש בעומק צעד קטן יותר פרור את העיוות בעדינות רבה יותר, ומונע מאמצים מקומיים חדים שמאטים את התהליך ומעלים את הכוח. מהירות הסיבוב של הכלי וקצב ההזנה השפיעו רק במידה קטנה בטווחים שנבדקו. על ידי שילוב הדירוגים הסטטיסטיים, הצוות חזה סט תנאים טוב עוד יותר מזה של כל ניסוי יחיד ואישר תחזית זו בניסוי המשך, שעמד על ביצועים מעט טובים יותר מכל הניסויים הקודמים.

ללמד מחשב לחזות את התהליך

כדי לעבור מעבר לניסוי וטעייה, החוקרים אימנו מודל למידת מכונה מסוג Random Forest כדי לחזות זמן עיבוד, כוח עיבוד ודירוג הביצועים של TOPSIS מתוך ארבע הגדרות התהליך. גם עם רק 27 נקודות נתונים ניסיוניות, המודל למד את הדפוסים מספיק טוב כדי לחזות בצורה מדויקת את הכוח והזמן. הוא גם, באופן עצמאי, הצביע על טמפרטורה ועומק הצעד כעל המנופים הדומיננטיים, מה שחיזק את הממצאים הסטטיסטיים. ברמה המיקרוסקופית, תמונות ממיקרוסקופ אלקטרונים של דפנות החריץ השבורות הראו סימנים קלאסיים של כשל פלסטי — שקעים עמוקים וחלקות קריעה — המעידים שבתנאים חמים, המתכת נמתחת במידה ניכרת לפני שהיא נשברת בסופו של דבר.

מה משמעות הדבר לייצור במציאות

במונחים יומיומיים, עבודה זו מראה כיצד יצרנים יכולים לעצב מתכת קשה לעיבוד בעזרת שילוב של חימום מבוקר וכיול מדוד של מספר הגדרות מפתח בודדות. הגישה ההיברידית — שילוב ניסויים מתוכננים, דירוג רב-קריטריוני ולמידת מכונה — מספקת מתכון מעשי לבחירת טמפרטורות וגדלי צעדים ששומרים על כוחות נמוכים וזמני ייצור סבירים, מבלי שיצטרכו לבדוק כל אפשרות על רצפת הייצור. אסטרטגיה זו ניתנת להרחבה לסגסוגות וצורות אחרות, ועוזרת למפעלים לתכנן חלקים קלים במהירות, בבטיחות וביעילות רבה יותר.

ציטוט: Khot, A.A., Magdum, R.A., Magdum, A.R. et al. Multi-response optimization and machine learning-based prediction of straight-groove warm incremental sheet forming of AZ31 magnesium alloy. Sci Rep 16, 6432 (2026). https://doi.org/10.1038/s41598-026-37761-y

מילות מפתח: עיבוד על-גילוף מדורג, סגסוגת מגנזיום AZ31, עיבוד בחימום, אופטימיזציה של תהליך, למידת מכונה בייצור