Многоцелевой оптимизации и машинного обучения-прогнозирование прямолинейного канавочного тёплого инкрементного формообработки листов из магниевого сплава AZ31

Проще формовать лёгкие металлы

От автомобилей и самолётов до медицинских имплантатов производители стремятся использовать более лёгкие металлы, которые экономят топливо и повышают эффективность. Магниевые сплавы особенно привлекательны благодаря сочетанию малой плотности и прочности, но при температуре окружающей среды они трудно поддаются формовке и легко трескаются. В этом исследовании изучается более умный способ изготовления деталей из распространённого магниевого сплава AZ31: мягкий нагрев материала и применение методов, основанных на данных — включая машинное обучение — для поиска режимов, которые быстры, энергоэффективны и снижают риск повреждения материала.

Как движущийся инструмент аккуратно вырезает канавку в листе

Вместо того чтобы одним сильным нажатием запрессовывать лист металла в жёсткую матрицу, инкрементное формование использует закруглённый инструмент, который проходит по поверхности листа и при каждом проходе вдавливает материал чуть глубже. В этой работе команда сосредоточилась на форме с прямой канавкой: простом канале, сформированном в листах AZ31 толщиной 1 мм. Лист зажимается над специальной электрической камерой нагрева, что позволяет подогревать его до 200–250 °C, а числовое программное управление (CNC) перемещает инструмент шаг за шагом, в то время как датчик силы измеряет, с каким усилием инструмент давит и сколько времени занимает процесс до момента окончательного разрушения листа.

Как множество испытаний превращают в один наилучший рецепт

Поскольку можно регулировать сразу четыре параметра — температуру, глубину шага за проход, скорость шпинделя и скорость подачи — исследователи использовали структурированный план испытаний, называемый методом Тагучи, чтобы провести 27 тщательно подобранных экспериментов вместо перебора всех возможных комбинаций. Затем они применили метод ранжирования TOPSIS, который объединяет две цели одновременно: минимизацию усилий формования (чтобы снизить износ и энергопотребление) и минимизацию времени формования (для повышения производительности). Этот метод присваивает каждому испытанию единый показатель, называемый коэффициентом близости, который показывает, насколько близко эксперимент подошёл к идеальному результату — низким усилиям и короткому времени одновременно.

Нагрев и маленькие шаги выполняют основную работу

Анализ показал, что наибольшее влияние оказывают два параметра: температура листа и глубина каждого вертикального шага инструмента. Подогрев AZ31 до около 250 °C делает его кристаллическую структуру более пластичной, благодаря чему материал легче деформируется и требует меньших усилий для формовки. В то же время использование меньшего шага на проход распределяет деформацию более плавно, избегая локальных резких напряжений, которые замедляют процесс и повышают усилие. Скорость вращения инструмента и скорость подачи в пределах протестированных диапазонов оказывали лишь незначительное влияние. Объединяя статистические ранжирования, команда предсказала ещё более удачный набор условий, чем в любом отдельном эксперименте, и затем подтвердила это предсказание в последующем испытании, которое немного превзошло все предыдущие пробные режимы.

Обучение компьютера прогнозировать процесс

Чтобы уйти от метода проб и ошибок, исследователи обучили модель машинного обучения под названием Random Forest прогнозировать время формования, усилие формования и показатель TOPSIS по четырём параметрам процесса. Даже имея всего 27 экспериментальных точек данных, модель достаточно хорошо усвоила закономерности, чтобы с высокой точностью предсказывать усилие и время. Она также независимо выделила температуру и глубину шага как доминирующие рычаги управления, что подтвердило статистические выводы. На микроскопическом уровне изображения, полученные электронным микроскопом со стенок разрушенных канавок, показали классические признаки пластического разрушения — глубокие впадины и разрывы — что указывает на то, что при тёплых условиях металл сильно растягивается прежде, чем окончательно разорвётся.

Что это значит для реального производства

Проще говоря, эта работа демонстрирует, как производители могут заставить трудноформуемый лёгкий металл поддаваться обработке, сочетая контролируемый нагрев с тщательной настройкой всего нескольких ключевых параметров. Гибридный подход — сочетание планируемых экспериментов, многокритериального ранжирования и машинного обучения — даёт практический рецепт выбора температур и размеров шагов, которые сохраняют низкие усилия и разумное время производства, не требуя испытать все возможные варианты на цеховом участке. Ту же стратегию можно распространить на другие сплавы и формы, помогая заводам проектировать более лёгкие детали быстрее, безопаснее и эффективнее.

Цитирование: 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

Ключевые слова: инкрементное формование листов, магниевый сплав AZ31, тёплая формовка, оптимизация процесса, машинное обучение в производстве