Ультрабыстрая разработка и внедрение литейных алюминиевых сплавов, не требующих термообработки

Почему ускорённая разработка металлов важна для автомобилей

Современные электромобили всё чаще опираются на крупные цельные металлические детали, которые легче, дешевле в производстве и проще в сборке. Но создание новых алюминиевых рецептур, достаточно прочных, чтобы выдерживать аварии и повседневную эксплуатацию, традиционно занимало многие годы проб и ошибок. В этой статье показано, как команда сократила этот цикл до всего пяти месяцев, объединив машинное обучение с целенаправленными экспериментами для создания нового алюминиевого сплава для огромных литых секций пола автомобиля — без дополнительной термообработки.

От десятков деталей к одному огромному отливу

Автопроизводители переходят от сварки множества мелких частей к заливке расплавленного алюминия в огромные формы, которые формируют всю заднюю часть пола за один проход. Это экономит массу и время производства, но также создаёт длинные извилистые траектории потока, где металл охлаждается неравномерно и может образовывать мелкие поры. В результате материал должен быть прочным, пластичным и легко литься прямо из формы, без последующих нагревов, которые увеличивают затраты и могут деформировать деталь. Существующие коммерческие литейные алюминиевые сплавы либо хорошо текут, но слишком слабы, либо прочны, но хрупки — здесь есть место для лучших материалов.

Обучение компьютера выбирать лучший рецепт

Исследователи сосредоточились на алюминиево-кремниевых сплавах — рабочей лошади высокопрессового литья под давлением. Они собрали набор данных из 80 известных сплавов из прошлых исследований, для каждого зафиксировав прочностные и пластические характеристики, а также точные доли восьми элементов, таких как кремний, магний, медь, марганец и титан. Поскольку эти элементы взаимодействуют сложными способами, человеческой интуиции бывает недостаточно, чтобы найти оптимум. Команда обучила несколько типов моделей машинного обучения связывать состав с тремя ключевыми свойствами: нагрузкой до разрушения, моментом начала пластической деформации и относительным удлинением.

Поиск по миллионам вариантов, затем испытание нескольких

Искусственная нейронная сеть оказалась наиболее точной, поэтому её использовали в качестве движка многоступенчатого поиска. Они сгенерировали десять миллионов виртуальных рецептов в реалистичных пределах содержания элементов и попросили модель предсказать их характеристики. Сохранялись только те сплавы, которые отвечали строгим целевым показателям по прочности и удлинению, затем применяли метод скрининга, чтобы выбрать составы, балансирующие прочность и пластичность, а не выдающиеся только в одном показателе. Из этой сокращённой группы исследователи выбрали несколько перспективных кандидатов для плавки и литья в простые испытательные пластины, измерили их реальные свойства и затем вернули результаты в модель для дальнейшего обучения. После всего трёх таких циклов разработка сошла к выделившемуся составу.

Почему новый сплав работает

Финальный сплав показал впечатляющие показатели прямо из формы: высокая прочность на разрыв и предел текучести в сочетании с более чем 12-процентным удлинением, превосходящим предыдущие литые сплавы, не требующие термообработки. Микроскопические исследования выявили тонкую, равномерную структуру с полезными упрочняющими частицами, образованными из магния и меди, а кремний присутствовал в округлой, волокнистой форме, избегая острых элементов, инициирующих трещины. Небольшие добавки марганца, титана и стронция помогли контролировать нежелательные обогащённые железом частицы и уточнять общую зеренную структуру, поддерживая как прочность, так и пластичность. Это соответствовало выводам модели: лучшая производительность достигается не за счёт одного «волшебного» ингредиента, а благодаря тщательно настроенной смеси.

Подтверждение на длинных тонких отливках и реальных полах автомобилей

Чтобы проверить поведение сплава в реалистичных условиях, команда отлила длинную тонкую S-образную пробную деталь, где металл должен был пройти до 3,5 метров, имитируя экстремальные расстояния течения в больших автомобильных компонентах. Они вырезали образцы вдоль длины и обнаружили, что хотя прочность и пластичность снижались по мере накопления мелких пор дальше от впускного отверстия, свойства оставались выше строгих промышленных порогов на протяжении более двух метров — лучше, чем сопоставимые сплавы, описанные в литературе. Наконец, сплав использовали для литья полноразмерного заднего пола для нового электромобиля. Образцы, взятые из разных областей детали, соответствовали или превосходили установленные производителем цели по прочности и пластичности, даже в областях с наибольшими расстояниями заполнения.

Что это значит для будущих материалов

Исследование показывает, что итеративный цикл данных, машинного обучения и целевых экспериментов может превратить длительный и неопределённый поиск новых металлических рецептур в быстрый, направленный процесс. Всего за несколько месяцев исследователи прошли путь от компьютерного проектирования составов до валидации сплава в сложной, полноразмерной автомобильной детали, не прибегая к дополнительным этапам термообработки. Для неспециалистов ключевое сообщение в том, что более разумное использование данных может быстрее открыть путь к более лёгким, безопасным и эффективным транспортным средствам, и что тот же подход применим ко многим другим конструкционным металлам помимо алюминия.

Цитирование: Yang, D., Min, J., Yi, W. et al. Ultra-fast design and application of non-heat-treatable integrated die casting aluminum alloys. npj Comput Mater 12, 140 (2026). https://doi.org/10.1038/s41524-026-02010-3

Ключевые слова: литейный алюминий, машинное обучение материалы, снижение массы автомобилей, разработка сплавов, интегрированное литье