摩擦攪拌積層製造における機械的特性予測のためのRBF支援サロゲートモデリングと機械学習：異種AA6061/AA7075アルミ合金への応用。

将来の金属部品にとってなぜ重要か

現代の自動車や航空機では、強く、軽く、かつ迅速に生産できる金属部品が求められます。摩擦攪拌積層製造（FSAM）という有望な手法は、金属を溶かすことなく層を積み重ねられるため、従来の溶融型3Dプリントで生じる多くの欠陥を回避します。しかし、適切なプロセス条件を見つけるために多数の試行錯誤実験を行うのは高コストで時間がかかります。本研究は、少数の実験データと数学的補間・機械学習を組み合わせることで、混合アルミ部品においてどのFSAM条件が引張強さや硬さを向上させやすいかを効率的に探索できることを示し、同時に何が予測であり実験で検証すべき点かを明確にしています。

溶かさずに攪拌して部品をつくる

FSAMは固相プロセスです：回転工具が積み上げた金属板に押し当てられて移動し、摩擦熱で材料を軟化させますが溶融は起こりません。工具が進むにつれて、新しい材料が攪拌されて層ごとに結合していきます。金属が完全に溶けないため、FSAMは溶融ベースの3Dプリントで問題になりがちな気孔や割れを避けられ、鍛造材に近い微細で均一な結晶粒を生むことができます。著者らは、一般的な二種類のアルミ合金AA6061とAA7075を交互に積層し（6061上位-7075下位とその逆の二つの積層順序）、プロセス条件が引張強さとビッカース硬さに与える影響を調べています。

わずか9試験でより多くを行う

主要な課題はデータ不足です：実スケールのFSAM実験は高価で時間がかかり、装置の使用制約や安全面でも制限されます。本研究では、3つの操作変数（工具回転速度、横送り速度、傾斜角）を変化させた厳選された9試験（Taguchi L9計画）のみを実施しました。これら9点の間を埋めるために、研究チームはラジアル基底関数（RBF）補間という数学的手法を用いました。RBFは測定データから三次元パラメータ空間にわたる滑らかな面を構築します。このサロゲート面から882の合成データ点を生成し、実質的に速度と角度の試験範囲内で強度と硬さがどのように変化するかの濃密な“仮想”マップを作成しました。

モデルに世界ではなくサロゲートを学ばせる

拡張された891点（実データ9点＋合成882点）を用いて、著者らは三つの回帰モデル（ガウス過程回帰：GPR、サポートベクター回帰：SVR、ベイジアンリッジ回帰）を訓練しました。これらのモデルは、三つのプロセスパラメータから二つの積層順序それぞれの引張強さと硬さを予測するよう求められました。GPRはRBFベースの値を再現する点で際立ち、誤差はしばしば1%未満、合成セット全体でのR²値も通常0.85以上と高い性能を示しました。SVRは概ね系統的な過小評価が見られ、ベイジアンリッジ（線形手法）は特に硬さの強い非線形挙動に対応できず苦戦しました。重要なのは、これらのほぼ完全な性能はモデルがRBFサロゲートを非常によく学習したことを示しているにすぎず、実際のFSAM実験の複雑な変動を完全に捉えていることを意味するわけではないと著者らが強調している点です。

この条件下でどの操作が最も重要か？

モデルを解釈可能にするため、研究ではSHAP（SHapley Additive exPlanations）を用いて各入力パラメータが予測に与える重要度を算出しました。合成設計空間内では、工具回転速度が両方の積層順序における引張強さの主な駆動因子として浮かび上がり、次いで横送り速度、傾斜角は一般に重要度が低い第三位という結果になりました。硬さに関してはよりバランスの取れた様相で、6061が7075の上にあるかその逆かによって回転速度と横送り速度の重要度が入れ替わります。解析はまた、積層順序自体が重要であることを示しており、7075-over-6061の配置は類似の加工条件で高い強度と硬さに達しやすく、これはAA7075の基礎強度が高いことと整合します。

この枠組みが主張できることとできないこと

現実性を確かめるため、著者らは元の9試験に対して一つ外し交差検証（leave-one-out）を実施しました。そこでは誤差が数パーセントとなり、合成点での誤差よりはるかに大きく、実測値の方がノイズが多いこと、サロゲートをそのまま真実とみなすことはできないことを示しています。著者らはこの制約を明確に述べています：本枠組みは、実験がほんの少数しか得られない場合にトレンドを探索し、有望なパラメータ領域を特定するための手段であり、合成マップから選ばれた「最適」設定は現時点では独立した実験による検証が必要な仮説にすぎません。それでも、この手法はスパースな実験、滑らかな補間、確率的機械学習、説明可能な解析を組み合わせて、盲目的な試行錯誤ではなく賢明な追試実験を導く再利用可能な設計図を、他のデータ希少な製造課題にも提供します。

引用: 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

キーワード: 摩擦攪拌積層製造, アルミニウム合金, サロゲートモデリング, ガウス過程回帰, 合成データ