Modelowanie zastępcze wspomagane funkcją RBF i uczenie maszynowe do przewidywania właściwości mechanicznych w ciernym spawaniu addytywnym: Zastosowanie do niejednorodnych stopów aluminium AA6061/AA7075.

Dlaczego to ma znaczenie dla przyszłych części metalowych

Współczesne samochody i samoloty potrzebują elementów metalowych, które są wytrzymałe, lekkie i szybkie w produkcji. Obiecującą techniką jest cierne spawanie addytywne (FSAM), które pozwala układać warstwy aluminium bez topienia, unikając wielu wad tradycyjnego druku 3D. Jednak prowadzenie wielu eksperymentów metodą prób i błędów, aby ustalić właściwe parametry procesu, jest kosztowne i czasochłonne. W tej pracy pokazano, jak niewielki zestaw rzeczywistych testów, połączony z matematyczną interpolacją i uczeniem maszynowym, może pomóc inżynierom zidentyfikować ustawienia FSAM prawdopodobnie prowadzące do lepszej wytrzymałości i twardości w mieszanych częściach aluminiowych — przy jednoczesnym jasnym rozdzieleniu, co jest predykcją, a co nadal wymaga potwierdzenia w laboratorium.

Budowanie części przez mieszanie, nie topienie

FSAM to proces w stanie stałym: obracające się narzędzie dociska nałożone na siebie płyty metalowe i przesuwa się po nich, generując ciepło tarciowe, które zmiękcza — ale nie topi — materiał. W miarę przesuwania narzędzia materiał jest mieszany i łączony z konstrukcją, warstwa po warstwie. Ponieważ metal nigdy nie ulega pełnemu stopieniu, FSAM eliminuje porowatość i pęknięcia charakterystyczne dla spawania topieniem i może wytwarzać drobne, jednorodne ziarna podobne do metali kute. Autorzy skupiają się na naprzemiennych warstwach dwóch powszechnie stosowanych stopów aluminium, AA6061 i AA7075, ułożonych w dwóch sekwencjach (6061 nad 7075 i 7075 nad 6061), aby zbadać, jak ustawienia procesu wpływają na granicę plastyczności w rozciąganiu i twardość Vickersa.

Więcej przy zaledwie dziewięciu eksperymentach

Głównym wyzwaniem jest niedobór danych: pełnoskalowe eksperymenty FSAM są kosztowne, czasochłonne i ograniczone dostępnością maszyn oraz warunkami bezpieczeństwa. W badaniu przeprowadzono tylko dziewięć starannie dobranych eksperymentów (plan Taguchi L9), zmieniając trzy parametry: prędkość obrotową narzędzia, prędkość przesuwu i kąt pochylenia. Aby wypełnić luki między tymi dziewięcioma punktami, zespół zastosował matematyczną technikę interpolacji za pomocą funkcji bazowej radialnej (RBF). RBF wykorzystuje zmierzone dane do zbudowania gładkiej powierzchni w przestrzeni trzech parametrów. Z tej powierzchni zastępczej wygenerowano 882 syntetyczne punkty danych, tworząc gęstą „wirtualną” mapę tego, jak wytrzymałość i twardość mogą się zmieniać w badanym zakresie prędkości i kątów.

Nauczanie modeli, by uczyły się surrogatu, a nie świata

Na rozszerzonym zbiorze danych liczącym 891 punktów (9 rzeczywistych + 882 syntetyczne) autorzy wytrenowali trzy różne modele regresyjne: regresję procesu Gaussa (GPR), regresję wektorów nośnych (SVR) oraz regresję grzbietową Bayesa (Bayesian Ridge). Modele miały przewidywać wytrzymałość na rozciąganie i twardość dla obu sekwencji układania warstw, na podstawie trzech parametrów procesu. GPR wyróżnił się, odtwarzając wartości z RBF z błędami często poniżej 1% i wysokimi współczynnikami R² (zwykle powyżej 0,85 na zbiorze syntetycznym). SVR wykazywał umiarkowane, przeważnie systematyczne niedoszacowanie, a Bayesian Ridge — metoda liniowa — miał trudności z silnie nieliniowym zachowaniem, szczególnie dla twardości. Kluczowe jest to, że niemal perfekcyjna wydajność oznacza, iż modele bardzo dobrze nauczyły się surrogatu RBF; nie dowodzi to jeszcze, że uchwyciły wszystkie nieporządki i zmienność rzeczywistych eksperymentów FSAM.

Które pokrętła mają największe znaczenie w tych warunkach?

Aby uczynić modele bardziej interpretowalnymi, studium wykorzystuje SHAP (SHapley Additive exPlanations), narzędzie przypisujące wagę ważności każdemu parametrowi wejściowemu dla danej predykcji. W obrębie syntetycznej przestrzeni projektowej prędkość obrotowa narzędzia okazuje się dominującym czynnikiem wpływającym na wytrzymałość na rozciąganie w obu sekwencjach układania, za nią plasuje się prędkość przesuwu, a kąt pochylenia jest na ogół trzecim, znacznie mniej istotnym czynnikiem. Dla twardości obraz jest bardziej zrównoważony: znaczenie prędkości obrotowej i przesuwu zamienia się miejscami w zależności od tego, czy 6061 znajduje się nad 7075, czy odwrotnie. Analiza podkreśla też, że sama sekwencja układania warstw ma znaczenie — konfiguracja 7075 nad 6061 zwykle osiąga wyższą wytrzymałość i twardość przy podobnych warunkach obróbki, co zgadza się z wyższą bazową wytrzymałością stopu AA7075.

Co ta metoda może, a czego nie może rościć sobie prawa

Aby sprawdzić realizm, autorzy przeprowadzili testy leave-one-out na pierwotnych dziewięciu eksperymentach. Błędy tam są na poziomie kilku procent — znacznie większe niż w punktach syntetycznych — co pokazuje, że rzeczywiste pomiary są głośniejsze, a surrogate nie może jeszcze być traktowany jako ostateczna prawda. Autorzy jasno określają to ograniczenie: ich schemat to sposób na eksplorację trendów i identyfikację obiecujących obszarów przestrzeni parametrów, gdy dostępnych jest tylko kilka eksperymentów. Każde „optymalne” ustawienie wybrane z map syntetycznych jest na tym etapie hipotezą, która wymaga niezależnego potwierdzenia eksperymentalnego. Mimo to podejście dostarcza powtarzalnego wzorca dla innych problemów produkcyjnych z ograniczonymi danymi, łącząc rzadkie eksperymenty, gładką interpolację, probabilistyczne uczenie maszynowe i analizę wyjaśnialną, by kierować inteligentniejszymi testami następczymi zamiast ślepego procesu prób i błędów.

Cytowanie: 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

Słowa kluczowe: friction stir additive manufacturing, stopy aluminium, modelowanie zastępcze, regresja procesu Gaussa, dane syntetyczne