Modellazione surrogate assistita da RBF e apprendimento automatico per la previsione delle proprietà meccaniche nella friction stir additive manufacturing: applicazione alle leghe di alluminio dissimili AA6061/AA7075.

Perché è importante per le parti metalliche del futuro

Auto e aeromobili moderni richiedono componenti metallici che siano resistenti, leggeri e rapidi da produrre. Una tecnica promettente chiamata friction stir additive manufacturing (FSAM) può sovrapporre strati di alluminio senza fonderli, evitando molti dei difetti della stampa 3D a fusione. Tuttavia eseguire numerosi esperimenti per tentativi per trovare le giuste impostazioni di processo è costoso e lento. Questo studio mostra come un piccolo insieme di prove reali, combinato con interpolazione matematica e apprendimento automatico, possa aiutare gli ingegneri a esplorare quali parametri FSAM siano più propensi a migliorare resistenza e durezza in componenti di alluminio misto—specificando chiaramente cosa è una previsione e cosa necessita ancora di verifica sperimentale.

Costruire pezzi mescolando, non fondendo

FSAM è un processo in stato solido: uno strumento rotante preme sulle piastre metalliche sovrapposte e si muove lungo di esse, generando calore da attrito che ammorbidisce—ma non fonde—il materiale. Mano a mano che l'utensile avanza, mescola e unisce materiale nuovo alla struttura, strato dopo strato. Poiché il metallo non raggiunge mai la fusione completa, FSAM evita porosità e cricche che possono affliggere la stampa a fusione e può produrre grani fini e uniformi simili a quelli delle lavorazioni a stampo. Gli autori si concentrano su strati alternati di due diffuse leghe di alluminio, AA6061 e AA7075, disposte in due ordini di impilamento (6061-su-7075 e 7075-su-6061), per studiare come le impostazioni di processo influenzino la resistenza a trazione ultima e la durezza Vickers.

Fare di più con solo nove esperimenti

Una sfida chiave è la scarsità di dati: gli esperimenti FSAM a piena scala sono costosi, richiedono tempo e sono limitati dalla disponibilità delle macchine e da vincoli di sicurezza. Qui sono stati eseguiti solo nove esperimenti scelti con cura (un disegno Taguchi L9), variando tre manopole: velocità di rotazione dell'utensile, velocità di avanzamento e angolo di inclinazione. Per colmare i vuoti tra questi nove punti, il team ha utilizzato una tecnica matematica chiamata interpolazione con funzioni a base radiale (RBF). L'RBF prende i dati misurati e costruisce una superficie liscia nello spazio dei tre parametri. Da questa superficie surrogate hanno generato 882 punti dati sintetici, creando di fatto una mappa “virtuale” densa di come potrebbero variare resistenza e durezza all'interno dell'intervallo di velocità e angoli testati.

Insegnare ai modelli a imparare il surrogate, non il mondo

Su questo dataset arricchito di 891 punti (9 reali + 882 sintetici), gli autori hanno addestrato tre differenti modelli di regressione: Gaussian Process Regression (GPR), Support Vector Regression (SVR) e Bayesian Ridge Regression. I modelli dovevano prevedere resistenza a trazione e durezza per entrambe le sequenze di impilamento, date le tre variabili di processo. La GPR si è distinta, riproducendo i valori basati su RBF con errori spesso inferiori all'1% e alti punteggi R² (tipicamente superiori a 0,85 sull'insieme sintetico). La SVR ha mostrato una sottostima modesta e in gran parte sistematica, mentre la Bayesian Ridge—metodo lineare—ha faticato con il comportamento fortemente non lineare, specialmente per la durezza. Crucialmente, gli autori sottolineano che questa prestazione quasi perfetta significa che i modelli hanno appreso molto bene il surrogate RBF; ciò non dimostra ancora che catturino tutta la variabilità reale e complessa degli esperimenti FSAM.

Quali manopole contano di più in queste condizioni?

Per rendere interpretabili i modelli, lo studio usa SHAP (SHapley Additive exPlanations), uno strumento che assegna un punteggio di importanza a ciascun parametro di input per ogni previsione. All'interno dello spazio di progetto sintetico, la velocità di rotazione dell'utensile emerge come il fattore dominante per la resistenza a trazione in entrambi gli ordini di impilamento, seguita dalla velocità di avanzamento e con l'angolo di inclinazione generalmente distante in terza posizione. Per la durezza, il quadro è più bilanciato: velocità di rotazione e di avanzamento scambiano importanza a seconda che il 6061 sia sopra il 7075 o viceversa. L'analisi mette inoltre in evidenza che la sequenza di impilamento stessa conta: la configurazione 7075-su-6061 tende a raggiungere resistenze e durezze maggiori sotto condizioni di processo simili, in linea con la maggiore resistenza di base dell'AA7075.

Cosa può e non può affermare questo quadro

Per verificare il realismo, gli autori eseguono test leave-one-out sui nove esperimenti originali. Gli errori lì sono di alcuni punti percentuali—molto più grandi rispetto ai punti sintetici—mostrando che le misure reali sono più rumorose e che il surrogate non può ancora essere trattato come verità assoluta. Gli autori sono espliciti su questo limite: il loro quadro è un modo per esplorare tendenze e identificare regioni promettenti dello spazio dei parametri quando sono disponibili solo poche prove. Qualsiasi impostazione “ottimale” ricavata dalle mappe sintetiche è, a questo stadio, un'ipotesi che richiede ancora conferma sperimentale indipendente. Eppure, l'approccio offre un modello riutilizzabile per altri problemi manifatturieri con scarsi dati, combinando esperimenti sparsi, interpolazione liscia, apprendimento probabilistico e analisi interpretabile per guidare test successivi più intelligenti invece che tentativi alla cieca.

Citazione: 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

Parole chiave: friction stir additive manufacturing, leghe di alluminio, modellazione surrogate, regressione con processo Gaussiano, dati sintetici