統計手法と機械学習を用いたAl 6061 T6の摩擦攪拌接合における最高温度の最適化と予測

溶接を冷やしておくことが重要な理由

航空機から電気自動車まで、多くの機械は強度を損なうことなく接合される必要のあるアルミ部品に依存しています。摩擦攪拌接合は、金属を完全に溶かさずに部材を攪拌して接合するため、こうした用途で広く用いられています。しかし工程が過度に高温になると、アルミが軟化して強度を失ったり、場合によっては溶融が始まることがあります。本稿は、一般的な合金であるAl 6061 T6の接合中に達する最高温度を、コンピュータシミュレーション、統計的手法、機械学習を用いて予測・制御する方法を探り、製造者が熱による損傷を避けつつ強く一貫した継手を得られるようにすることを目的としています。

この固相接合が働く仕組み

摩擦攪拌接合では、広いショルダーと短いピンを持つ回転工具を2枚の板の継ぎ目に押し当てて縫うように移動させます。摩擦と塑性的な攪拌により金属が加熱・軟化し、液体にならずに混合・鍛造されて一体化します。Al 6061 T6では、この温度の「適性域」は融点より低いが十分に攪拌を許す程度に高い位置にあります。最高温度が融点の約4/5に近づくか越えると、合金の硬化粒子が粗化したり溶融が始まったりして軟化領域が生じ、機械的特性が低下する可能性があります。したがって、最高温度の制御は安全性と耐久性の両面で不可欠です。

多数の操作変数を同時に試す

研究者らは溶接者が調整できる7つの操作変数に着目しました：工具材質、ピン径、ショルダー径、回転速度、送進速度、工具を押し下げる軸方向力、および工具と板の間の摩擦係数です。何千もの試行を行う代わりに、彼らはタグチ設計という統計的近道を用い、重要な組み合わせを明らかにするために慎重に選んだ32通りの条件を採用しました。各組み合わせについて、COMSOLで三次元の計算モデルを構築し、回転工具による発熱とその熱がアルミ板や支持治具を通じてどのように拡散するかをシミュレーションしました。続いてこれらのシミュレーションの一部を改造フライス盤を用いた実験と比較し、熱電対で溶接周辺の各点の温度を測定しました。シミュレーションと実測の最高温度は約7%以内で一致し、モデルが実際の熱挙動を捉えていることに信頼を与えました。

過熱の主な原因を突き止める

シミュレーションデータを得た後、チームは統計手法を適用して、どの工程パラメータが最高温度に最も大きな影響を与えるかを分類しました。タグチ解析と分散分析（ANOVA）を用いると、明確な主要因が見えてきました：軸方向力と工具の回転速度です。回転速度の上昇と押し込み力の増大は摩擦熱と塑性変形を大幅に増加させ、最高温度を押し上げます；一部のシミュレーション例では、溶接域の温度が約600 °Cを超え、安全と見なされるこの合金の融点範囲を上回ることがありました。ピン径やショルダー径の変化は接触面積を変えることで二次的な影響を与え、工具材質の選択や摩擦係数の小さな変動は比較的影響が小さいことが示されました。これらの結果は、速度と押し込み力の厳密な管理が損傷温度以下に保つ最も効果的な方法であることを示唆します。

ニューラルネットワークに熱を予測させる

単純な経験則を超えるために、著者らは人工ニューラルネットワークを訓練して溶接条件と最高温度の関係を学習させました。彼らはシミュレーション結果を事例として使用し、工具材質を除く6つの最も関連性の高い入力をネットワークに与え、出力として予測される最高温度を得るように訓練しました。データを訓練・検証・検査のセットに分け、標準的な逆伝播法を用いることで、ネットワークはシミュレーション結果を非常に高精度で再現することを学びました：その予測はシミュレーションと平均で約1%の差異であり、タグチ回帰やANOVAに基づく式の3–4%の誤差より優れていました。これは比較的小さなデータセットでも、適切に設計されたニューラルネットが単純なモデルでは見落としがちなパラメータ間の微妙な相互作用を捉えられることを示しています。

現場の溶接にとっての意義

本研究は、有限要素シミュレーション、統計的設計、ニューラルネットワークを組み合わせることが、摩擦攪拌接合をより安全かつ効率的にする強力なツールキットを提供することを結論づけています。軸方向力と回転速度を主要な発熱要因として特定し、最高温度の迅速な予測手段を提供することで、このアプローチは過熱を避けつつ良好な継手を得るための設定選択を技術者に導くことができます。実務的には、欠陥の減少、部品の寿命延長、航空宇宙、自動車など軽量アルミ構造に依存する産業の工場現場での試行錯誤の削減を意味します。

引用: Anis, A., Shakaib, M. & Hanif, M.S. Optimization and prediction of peak temperature in friction stir welding of Al 6061 T6 using statistical and machine learning techniques. Sci Rep 16, 7901 (2026). https://doi.org/10.1038/s41598-025-03217-y

キーワード: 摩擦攪拌接合, アルミニウム合金, 熱制御, 工程最適化, ニューラルネットワークモデリング