RBF-ondersteunde surrogaatsmodellering en machine learning voor voorspelling van mechanische eigenschappen in friction stir additive manufacturing: Toepassing op verschillende AA6061/AA7075 aluminiumlegeringen.

Waarom dit belangrijk is voor toekomstige metalen onderdelen

Moderne auto’s en vliegtuigen hebben metalen onderdelen nodig die sterk, licht en snel te produceren zijn. Een veelbelovende techniek, friction stir additive manufacturing (FSAM), kan lagen aluminium stapelen zonder het te smelten, waardoor veel defecten van conventioneel 3D-printen worden vermeden. Maar het uitvoeren van grote aantallen proefondervindelijke experimenten om de juiste procesinstellingen te vinden is duur en traag. Deze studie toont aan hoe een kleine reeks echte tests, gecombineerd met wiskundige interpolatie en machine learning, ingenieurs kan helpen te verkennen welke FSAM-instellingen waarschijnlijk tot betere sterkte en hardheid leiden in samengestelde aluminium onderdelen—terwijl duidelijk wordt aangegeven wat voorspelling is en wat nog in het laboratorium bewezen moet worden.

Onderdelen bouwen door te roeren, niet te smelten

FSAM is een vastestofproces: een roterend gereedschap drukt in op gestapelde metalen platen en verplaatst zich erover, waarbij wrijvingswarmte ontstaat die het materiaal verzacht—maar niet doet smelten. Terwijl het gereedschap vooruitgaat, roert en bindt het vers materiaal in de structuur, laag voor laag. Omdat het metaal nooit volledig smelt, vermijdt FSAM porositeit en scheurvorming die vaak optreden bij fusie-gebaseerd 3D-printen en kan het fijne, uniforme korrels produceren vergelijkbaar met gesmede metalen. De auteurs concentreren zich op afwisselende lagen van twee veelgebruikte aluminiumlegeringen, AA6061 en AA7075, gerangschikt in twee stapelvolgordes (6061-over-7075 en 7075-over-6061), om te bestuderen hoe procesinstellingen de uiteindelijke treksterkte en Vickers-hardheid beïnvloeden.

Meer bereiken met slechts negen experimenten

Een belangrijke uitdaging is het gebrek aan data: grootschalige FSAM-experimenten zijn kostbaar, tijdrovend en beperkt door machinebeschikbaarheid en veiligheidsvoorschriften. Hier zijn slechts negen zorgvuldig gekozen experimenten uitgevoerd (een Taguchi L9 ontwerp), waarbij drie knoppen werden gevarieerd: toerental van het gereedschap, voortloopsnelheid en kantelhoek. Om de hiaten tussen deze negen punten op te vullen, gebruikte het team een wiskundige techniek genaamd radial basis function (RBF) interpolatie. RBF neemt de gemeten data en bouwt een glad oppervlak over de drie-parameter ruimte. Vanuit dit surrogaatsoppervlak genereerden ze 882 synthetische datapunten, waarmee ze in feite een dicht “virtueel” kaartbeeld creëerden van hoe sterkte en hardheid zouden kunnen variëren binnen het geteste bereik van snelheden en hoeken.

Modellen leren de surrogaat, niet de echte wereld

Op deze verrijkte dataset van 891 punten (9 echt + 882 synthetisch) trainden de auteurs drie verschillende regressiemodellen: Gaussian Process Regression (GPR), Support Vector Regression (SVR) en Bayesian Ridge Regression. Deze modellen moesten de treksterkte en hardheid voorspellen voor beide stapelvolgordes, gegeven de drie procesparameters. GPR sprong eruit en reproduceerde de RBF-gebaseerde waarden met fouten vaak onder 1% en hoge R²-scores (doorgaans boven 0,85 over de synthetische set). SVR liet een bescheiden, grotendeels systematische onderschatting zien, en Bayesian Ridge—een lineaire methode—had moeite met het sterk niet-lineaire gedrag, vooral voor hardheid. Cruciaal is dat de auteurs benadrukken dat deze bijna perfecte prestaties betekenen dat de modellen de RBF-surrogaat zeer goed hebben geleerd; dat bewijst nog niet dat ze alle rommelige variabiliteit van echte FSAM-experimenten vastleggen.

Welke knoppen zijn onder deze omstandigheden het belangrijkst?

Om de modellen interpreteerbaar te maken, gebruikt de studie SHAP (SHapley Additive exPlanations), een hulpmiddel dat aan elke invoerparameter een belangrijkheidsscore toekent voor elke voorspelling. Binnen de synthetische ontwerpruimte blijkt het toerental van het gereedschap de dominante factor voor treksterkte in beide stapelvolgordes, gevolgd door de voortloopsnelheid en over het algemeen met de kantelhoek als verre derde. Voor hardheid is het beeld evenwichtiger: toerental en voortloopsnelheid wisselen van belangrijkheid afhankelijk van of 6061 bovenop 7075 ligt of omgekeerd. De analyse benadrukt ook dat de stapelvolgorde zelf ertoe doet—de configuratie 7075-over-6061 neigt onder vergelijkbare verwerkingscondities hogere sterkte en hardheid te bereiken, wat overeenkomt met de hogere basissterkte van AA7075.

Wat dit kader wel en niet kan claimen

Om de realiteit te toetsen voeren de auteurs leave-one-out tests uit op de oorspronkelijke negen experimenten. De fouten daar zijn enkele procenten—veel groter dan bij de synthetische punten—wat aantoont dat echte metingen ruisiger zijn en dat het surrogaat nog niet als grondwaarheid kan worden beschouwd. De auteurs zijn expliciet over deze beperking: hun kader is een manier om trends te verkennen en veelbelovende regio’s in de parameter ruimte te identificeren wanneer slechts een handvol experimenten beschikbaar is. Elke “optimale” instelling gekozen uit de synthetische kaarten is op dit moment een hypothese die nog onafhankelijke experimentele bevestiging behoeft. Desondanks biedt de benadering een herbruikbaar stappenplan voor andere data-schrale fabricageproblemen, door sparzame experimenten, gladde interpolatie, probabilistische machine learning en uitlegbare analyse te combineren om slimmer vervolgonderzoek te sturen in plaats van blind proefondervindelijk werk.

Bronvermelding: 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

Trefwoorden: friction stir additive manufacturing, aluminiumlegeringen, surrogaatsmodellering, Gaussian process regression, synthetische gegevens