מודל חישובי מבוסס נתונים בלימוד מכונה בעיבוד EDM בחוט של סגסוגת זיכרון צורה TiNiCo

מתכות חכמות שזוכרות את צורתן

דמיינו חוט מתכתי שניתן לכופף מחוץ לצורתו ואז, עם חימום קל, הוא בשקט חוזר לצורתו המקורית. מתכות אלה בעלות "זיכרון צורה" נחקרות כבר לשימוש להשתלות רפואיות, חלקי מיקרורובוטיקה ורכיבים תעופתיים. אך כדי להשתמש בהן במכשירים ממשיים מהנדסים נדרשים לחתוך ולעצב אותן מבלי להרוס את התכונות שמייחדות אותן. המחקר הזה בוחן כיצד לפרוס בדיוק סגסוגת זיכרון צורה של טיטניום–ניקל–קובלט באמצעות ניצוצות במקום להבות, ואיך למידת מכונה יכולה לסייע לכוונן את התהליך לקבלת פני שטח חלקים ויעילות חיתוך גבוהה.

חיתוך בניצוצות במקום בלהבים

החוקרים עבדו עם סגסוגת ספציפית הנקראת Ti₅₀Ni₄₀Co₁₀, השייכת למשפחה של מתכות שיכולות "לזכור" את צורתן המקורית ולהציג התנהגות קפיצית גם לאחר עיוותים גדולים. כלי חיתוך מסורתיים מתקשים בעבודה עם סגסוגות כאלה: הן חזקות, מתקשות בעת עיוות ועלולות לאבד את התכונה של זיכרון הצורה אם יתחממו יתר על המידה או יינזקו. כדי להימנע מבעיות אלה הצוות משתמש בעיבוד דבית באמצעות פריקה חשמלית בחוט (WEDM). בשיטה זו חוט ברזיל קצר דק מעולם לא נוגע בפועל במתכת. במקום זאת, העבודה מושרית בנוזל וניצוצות חשמליים מהירים קופצים על פני מרווח זעיר בין החוט לעבודה, מותכים ומאדים מתכת במסלול צר ליצירת החיתוך.

מציאת הגדרות הניצוץ הנכונות

אפילו ב־WEDM, השגת איזון טוב בין מהירות החיתוך ואיכות המשטח היא מאתגרת. כל ניצוץ נשלט על ידי פרמטרים כגון משך הפעולה שלו והמרווח בין החוט לחלק העובד. המחקר מתמקד בשני משתנים חשובים במיוחד: זמן הדופק (משך כל ניצוץ) ומתח הסרבו (העוזר לשלוט במרווח בין החוט למתכת, ובכך בעוצמה ויציבות הניצוץ). על ידי שינוי מדוד של שתי הגדרות אלה תוך שמירה על שאר הפרמטרים קבועים, המחברים מודדים שתי תוצאות מפתח: במהירות הסרת החומר (MRR) וכיצד מטושטש המשטח לאחר החיתוך (מחיר שטח, SR). הם גם בודקים את משטחי החיתוך בתצפיות תלת־ממדיות ובמיקרוסקופים אלקטרוניים כדי לראות כיצד נוצרים מכתשים עמוקים, סדקים ושכבות מומסות שקפאו מחדש.

איך נראה משטח המתכת מקרוב

כאשר הניצוצים חזקים וארוכים—זמן דופק גבוה בשילוב מתח סרבו נמוך—החומר מוסר במהירות, אך המשטח נפגע. מיקרוסקופיה חושפת מכתשים עמוקים, בריכות מותכות חופפות, שכבת "ריקאסט" עבה של מתכת שקפאה מחדש וסדקים דקים שנגרמים על ידי חימום וקירור מהירים. אלמנטים מהחוט ומהנוזל, כמו נחושת, אבץ, חמצן ופחמן, נמצאים בשכבה החיצונית הזו, מה שמאשר שהכימיה של המשטח משתנה במהלך החיתוך. בקצה השני של הספקטרום, ניצוצים קצרים יותר ומרווח גדול יותר—זמן דופק נמוך ומתח סרבו גבוה—מייצרים פריקות עדינות ויציבות יותר. הסרת החומר מתמתנת, אך המשטח המתקבל מציג מכתשים רדודים, פחות סדקים ושכבה מופרעת דקה יותר, מה שמעיד על "שלמות פני שטח" טובה יותר, חשובה לעמידות בפני עייפות, עמידות קורוזיבית ולבטיחות שתהיה נחוצה להשתלות.

לתת לרשת עצבית ללמוד את ההגדרות הטובות ביותר

מכיוון שהקשר בין הגדרות הניצוץ לאיכות המשטח מורכב וחסר־לינאריות גבוהה, הצוות פונה למידול מונחה־נתונים. הם מזינים תוצאות מ־25 ניסויי WEDM לרשת עצבית מלאכותית, סוג של מודל למידת מכונה שיכול ללמוד דפוסים מדוגמאות. הרשת מקבלת את זמן הדופק ומתח הסרבו כקלט ומנבאה גם את מחיר השטח וגם את קצב הסרת החומר כפלטים. כאשר רוב הנתונים שימשו לאימון וחלק קטן נשמר למבחן ולאימות, המודל לומד במהירות לחקות את התוצאות הניסיוניות. מדדים סטטיסטיים מצביעים על התאמה גבוהה מאוד בין הערכים החזויים לבין הנמדדים, עם שגיאות ממוצעות קטנות וללא הטיה משמעותית, מה שמרמז שלרשת העצבית יש יכולת לחזות בבטחה כיצד שילוב חדש של הגדרות יתנהג בטווח הנבדק.

מדוע זה חשוב למכשירים בעולם האמיתי

מהנדסים שמעצבים שתלים רפואיים או מפעילים זעירים מסגסוגות זיכרון צורה צריכים שכל חיתוך יהיה מדויק ועדין דיו כדי לשמר את התנהגות החומר המיוחדת. המחקר מציג כי על ידי שילוב חיתוך מבוקר מבוסס ניצוצות עם למידת מכונה ניתן לזהות הגדרות שמספקות פשרה מקובלת בין מהירות חיתוך לאיכות משטח, תוך שמירה על מרבית המבנה הפנימי של הסגסוגת. אף שהמאגר הנתונים צנוע ונדרשת בדיקה נוספת של ביצועים פונקציונליים, העבודה מדגימה נתיב מעשי לעיבוד "חכם": במקום ניסוי וטעייה, יצרנים יכולים להסתמך על מודלים מאומנים כדי להגיע במהירות לתנאי תהליך שמניבים חלקים חלקים ואמינים יותר ממתכות חכמות שקשה לעבד אותן אחרת.

ציטוט: 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

מילות מפתח: סגסוגת זיכרון צורה, הדמ, מחיר שטח פני, קצב הסרת חומר, מניפולציה רשת עצבית