Multi-responssoptimalisatie en machine learning-gebaseerde voorspelling van warm incrementeel plaatvormen met rechte groeven van AZ31 magnesiumlegering

Het makkelijker vormen van lichtgewicht metalen

Van auto’s en vliegtuigen tot medische implantaten: fabrikanten willen graag lichtere metalen gebruiken om brandstof te besparen en de prestaties te verbeteren. Magnesiumlegeringen zijn bijzonder aantrekkelijk omdat ze licht en sterk zijn, maar ze zijn ook moeilijk te vormen bij kamertemperatuur en kunnen gemakkelijk barsten. Deze studie onderzoekt een slimmere manier om onderdelen uit een veelgebruikte magnesiumlegering, AZ31, te vormen door het materiaal zachtjes te verwarmen en data-gedreven methoden — waaronder machine learning — toe te passen om instellingen te vinden die snel, energiezuinig en minder schadelijk voor het materiaal zijn.

Hoe een bewegend gereedschap een plaat zachtjes bewerkt

In plaats van een plaat in één keer in een vaste matrijs te drukken, gebruikt incrementeel plaatvormen een afgerond gereedschap dat een pad over het metaal volgt en het bij elke doorgang een beetje dieper duwt. In dit werk richtte het team zich op een rechte-groefvorm: een eenvoudig kanaal gevormd in 1 mm dikke AZ31-platen. De plaat wordt vastgeklemd boven een aangepaste elektrische verwarmingskamer zodat deze tot 200–250 °C kan worden verwarmd, en een computergestuurde (CNC) machine beweegt het gereedschap stap voor stap terwijl een krachtsensor meet hoe hard het gereedschap moet duwen en hoe lang het proces duurt totdat de plaat uiteindelijk breekt.

Van veel proeven naar één beste recept

Aangezien vier verschillende instellingen — temperatuur, stapdiepte per doorgang, spindelsnelheid en voederingssnelheid — allemaal kunnen worden aangepast, gebruikten de onderzoekers een gestructureerd testplan genaamd een Taguchi-opzet om 27 zorgvuldig gekozen experimenten uit te voeren in plaats van elke mogelijke combinatie te proberen. Ze pasten vervolgens een rangschikkingsmethode toe, bekend als TOPSIS, die twee doelen tegelijk combineert: het laag houden van de vervormingskrachten (om slijtage en energieverbruik te verminderen) en het kort houden van de vormgevingstijden (om de productiviteit te verbeteren). Deze methode kent elke proef een enkele score toe, de zogenaamde nabijheidscoëfficiënt, die aangeeft hoe dicht de uitkomst bij het beste denkbare resultaat ligt — lage kracht en korte tijd samen.

Hitte en kleine stappen doen het zware werk

De analyse toonde aan dat twee instellingen het meest van belang zijn: hoe heet de plaat is en hoe diep elke verticale stap van het gereedschap is. Het verwarmen van de AZ31-plaat tot ongeveer 250 °C maakt de interne kristalstructuur soepeler, waardoor het materiaal gemakkelijker uitrekt en minder kracht nodig is om te vormen. Tegelijkertijd verspreidt het gebruik van een kleinere stapdiepte per doorgang de vervorming gelijkmatiger, waardoor scherpe lokale rekken worden vermeden die het proces vertragen en de krachten verhogen. De rotatiesnelheid van het gereedschap en de voederingssnelheid hadden binnen de geteste bereiken slechts een geringe invloed. Door de statistische rangschikkingen te combineren, voorspelde het team een nog betere combinatie van condities dan in een enkel experiment werd gebruikt en bevestigde deze voorspelling in een vervolgtest, die alle eerdere proeven licht overtrof.

Een computer leren het proces te voorspellen

Om verder te gaan dan trial-and-error trainden de onderzoekers een machine learning-model, een Random Forest, om de vormgevingstijd, vormkrachten en de TOPSIS-prestatiescore te voorspellen op basis van de vier procesinstellingen. Zelfs met slechts 27 experimentele gegevenspunten leerde het model de patronen goed genoeg om kracht en tijd met hoge nauwkeurigheid te voorspellen. Het benadrukte ook onafhankelijk temperatuur en stapdiepte als de dominante beïnvloedende factoren, wat de statistische bevindingen bevestigt. Op microscopisch niveau lieten elektronenmicroscoopbeelden van gebroken groefwanden klassieke kenmerken van ductiele breuk zien — diepe putjes en scheurranden — wat aangeeft dat het metaal onder warme omstandigheden uitgebreid plooit voordat het uiteindelijk breekt.

Wat dit betekent voor de praktische productie

Simpel gezegd laat dit werk zien hoe fabrikanten een moeilijk te vormen lichtmetaal kunnen vormen door gecontroleerde verwarming te combineren met zorgvuldige afstemming van slechts een paar sleutelinstellingen. De hybride aanpak — een mix van geplande experimenten, multi-criteria rangschikking en machine learning — biedt een praktisch recept om temperaturen en stapgroottes te kiezen die krachten laag en productietijden redelijk houden, zonder elke mogelijkheid op de werkvloer te hoeven testen. Dieselzelfde strategie kan worden uitgebreid naar andere legeringen en vormen, waardoor fabrieken sneller, veiliger en efficiënter lichtere onderdelen kunnen ontwerpen.

Bronvermelding: 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

Trefwoorden: incrementeel plaatvormen, magnesiumlegering AZ31, warm vervormen, procesoptimalisatie, machine learning in productie