Voorspellen van het slijtagegedrag van AZ31/TiC-composieten vervaardigd via ultrasonische vibratie-ondersteunde friction stir processing met behulp van machine learning-modellen

Waarom sterkere lichte metalen ertoe doen

Van auto’s tot laptops, fabrikanten willen zware stalen onderdelen vervangen door lichtere metalen die brandstof en energie besparen. Magnesium is een van de lichtste structurele metalen die tegenwoordig wordt gebruikt, maar het kan te snel slijten wanneer onderdelen langs elkaar schuiven. Deze studie onderzoekt een nieuwe manier om een veelgebruikte magnesiumlegering te versterken en gebruikt moderne datatechnieken om te voorspellen hoe lang hij meegaat, wat inzichten biedt die ontwerpers kunnen helpen lichtere machines te bouwen zonder betrouwbaarheid op te offeren.

Een sterker metaalrecept samenstellen

De onderzoekers concentreerden zich op een legering genaamd AZ31, een veelgebruikte magnesiumsoort, en mengden deze met zeer harde keramische deeltjes van titaniumcarbide. Deze kleine deeltjes werken als kiezelstenen in beton en helpen het zachte metaal om meer belasting te dragen zonder uiteen te scheuren. Het team voegde een relatief hoog gehalte toe, 15 procent in volume, en vergeleek vervolgens twee manieren om deze deeltjes in het oppervlak van de legering te roeren met een roterend gereedschap: een standaardmethode en een variant waarbij tijdens het bewerken een hoogfrequente vibratie wordt toegevoegd.

Het metaal vormen met geluid

Bij de vibratie-ondersteunde methode gaan ultrasone golven het metaal in terwijl het roterende gereedschap roert. Deze extra trilling helpt de gedeeltelijk vloeibaar lijkende zone gelijkmatiger te stromen, klonten te breken en holtes te dichten. Microscopen lieten zien dat bij vibratie de titaniumcarbide-deeltjes veel gelijkmatiger verdeeld waren en dat porositeit sterk werd verminderd. De metaalgrains zelf werden veel fijner, als het verkruimelen van grove suiker tot poedersuiker. Deze verfijnde en gelijkmatigere structuur is cruciaal om het oppervlak harder en beter bestand tegen schade te maken.

Het nieuwe oppervlak op de proef stellen

Om te zien hoe deze behandelde oppervlakken zich in de praktijk zouden houden, voerde het team droge glijslijtageproeven uit, waarbij pennen van de legering of het composiet met verschillende belastingen en snelheden tegen een roterende stalen schijf werden gedrukt. Ze observeerden hoe de wrijvingskracht veranderde en woog de monsters voor en na om te meten hoeveel materiaal verloren ging. De onbewerkte magnesiumlegering had de hoogste wrijving en sliep het snelst weg, vooral bij hoge belastingen. Het toevoegen van titaniumcarbide-deeltjes verbeterde de prestaties, maar de met vibratie behandelde monsters deden het het beste: ze verminderden de slijtage met ongeveer een kwart bij matige belastingen en tot de helft onder de zwaarste omstandigheden.

Zien hoe het oppervlak faalt

Microscopische beelden van de versleten sporen toonden hoe de schade zich ontwikkelde. Bij lage belastingen vertoonde de basiselegering groeven en geoxideerde slijpdeeltjes, een mix van milde krassen en oppervlakte-oxidatie. Naarmate de belasting toenam, begon het oppervlak zwaar te scheuren en te vervormen. In de composieten, vooral die met vibratie gemaakt, waren de groeven ondieper en gelijkmatiger. De harde deeltjes bleven in het metaal verankerd, hielpen de belasting te dragen en werkten als microscopische rollen die direct metaal-op-metaal contact verminderden. Deze combinatie van hogere hardheid, fijne korrelstructuur en stabiele deeltjes verschuift de slijtage naar zachtere abrasie in plaats van ernstige scheuring.

Machines laten leren van data

Naast de laboratoriumtesten trainden de auteurs meerdere machine learning-modellen om de specifieke slijtagegraad te voorspellen op basis van eenvoudige invoer: welk materiaal werd gebruikt, hoe hard het werd belast en hoe snel het schoof. Van de geteste standaardmethoden kwam een Gradient Boosting-model het dichtst bij de gemeten resultaten met zeer hoge nauwkeurigheid, terwijl eenvoudigere lineaire modellen achterbleven. De analyse toonde ook aan dat de materiaalkeuze met afstand de grootste invloed op slijtage had, gevolgd door belasting, terwijl de schuifsnelheid binnen het geteste bereik een kleinere rol speelde.

Wat dit betekent voor onderdelen in de praktijk

Kort gezegd laat de studie zien dat het zorgvuldig mengen van harde deeltjes in een licht metaal en het gebruik van geluidsgeassisteerd roeren het oppervlak veel taaier kan maken tegen glijdende slijtage. Componenten die op deze manier worden behandeld, kunnen bij hogere belastingen draaien met minder wrijving en een tragere materiaalafname, wat waardevol is voor de auto-industrie en andere toepassingen waar gewicht van belang is. Tegelijkertijd kunnen datagedreven modellen het slijtagegedrag betrouwbaar voorspellen zonder elk experiment te hoeven herhalen, waardoor ingenieurs een praktisch hulpmiddel krijgen om ontwerpen op de computer te verkennen voordat er metaal wordt bewerkt.

Bronvermelding: Kumar, T.S., Shalini, S., Petrů, J. et al. Predicting wear behavior of AZ31/TiC composites produced via ultrasonic vibration assisted friction stir processing using machine learning models. Sci Rep 16, 14858 (2026). https://doi.org/10.1038/s41598-026-44372-0

Trefwoorden: slijtage van magnesiumlegering, titaniumcarbidecomposiet, ultrasonische friction stir processing, machine learning slijtagevoorspelling, tribologie