Моделирование машинного обучения на основе данных при проволочной ЭДМ сплавов с эффектом памяти формы TiNiCo

Умные металлы, которые помнят форму

Представьте металлическую проволоку, которую можно согнуть, а затем под действием небольшой придачи тепла она тихо возвращается в исходное положение. Такие «сплавы с памятью формы» уже исследуют для медицинских имплантов, крошечных роботизированных деталей и аэрокосмических компонентов. Но чтобы использовать их в реальных устройствах, инженерам нужно резать и формовать их так, чтобы не потерять те самые свойства, которые делают их ценными. В этом исследовании рассматривают, как точно разрезать титан–никель–кобальтовый сплав с эффектом памяти формы с помощью искр вместо лезвий, и как машинное обучение может помочь подобрать параметры процесса для гладкой поверхности и эффективной резки.

Резка искрами вместо лезвий

Исследователи работают с конкретным сплавом Ti₅₀Ni₄₀Co₁₀, принадлежащим к семейству металлов, способных «запоминать» исходную форму и проявлять пружинящее поведение даже после значительных деформаций. Традиционные режущие инструменты плохо справляются с такими сплавами: они прочны, упрочняются при деформации и могут потерять поведение памяти формы при перегреве или повреждении. Чтобы избежать этих проблем, команда использует проволочную электроэрозионную обработку (WEDM). В этом методе тонкая латунная проволока на самом деле не касается металла. Вместо этого заготовка погружена в жидкость, и быстрые электрические искры перескакивают через крошечный зазор между проволокой и деталью, расплавляя и испаряя металл в узкой зоне для создания распила.

Подбор правильных настроек искр

Даже при WEDM найти баланс между скоростью резки и качеством поверхности непросто. Каждая искра управляется параметрами, такими как продолжительность и зазор между проволокой и заготовкой. В этом исследовании внимание сосредоточено на двух особенно важных рычагах: длительности импульса (pulse-on time — как долго длится каждая искра) и серво-напряжении (servo voltage — которое помогает контролировать зазор между проволокой и металлом, а значит, силу и стабильность искровых разрядов). Тщательно варьируя эти два параметра при фиксированных остальных, авторы измеряют два ключевых результата: скорость съёма материала (material removal rate, MRR) и шершавость поверхности после резки (surface roughness, SR). Они также изучают срезы в трёхмерном виде и под электронным микроскопом, чтобы увидеть, как формируются глубокие котлы, трещины и переохлаждённые слои расплавленного металла.

Как выглядит поверхность металла вблизи

Когда искры сильные и долговременные — высокая длительность импульса в сочетании с низким серво-напряжением — металл удаляется быстро, но поверхность страдает. Микроскопия показывает глубокие кратеры, перекрывающиеся лавы расплава, толстый «перекапливаемый» слой повторно затвердевшего металла и тонкие трещины, вызванные быстрым нагревом и охлаждением. В этом внешнем слое обнаруживаются элементы от проволоки и жидкости, такие как медь, цинк, кислород и углерод, что подтверждает изменение химического состава поверхности в процессе резки. В другом пределе — короткие искры и больший зазор (меньшая длительность импульса и более высокое серво-напряжение) — возникают мягче и более стабильные разряды. Скорость съёма материала падает, но поверхность показывает более мелкие кратеры, меньше трещин и тонкий нарушенный слой, что указывает на лучшую «целостность поверхности», критичную для усталостной прочности, коррозионной стойкости и, в конечном счёте, для безопасности имплантов.

Обучение нейронной сети подбору оптимальных параметров

Поскольку связь между настройками искр и качеством поверхности сложна и сильно нелинейна, команда прибегает к моделированию на основе данных. Они подают результаты 25 экспериментов WEDM в искусственную нейронную сеть — тип модели машинного обучения, способной выявлять закономерности по примерам. Сеть принимает длительность импульса и серво-напряжение на входе и предсказывает как шероховатость поверхности, так и скорость съёма материала на выходе. Большая часть данных используется для обучения, меньшая — для тестирования и валидации, и модель быстро учится имитировать экспериментальные результаты. Статистические показатели показывают очень высокое соответствие между предсказанными и измеренными значениями, с малыми средними ошибками и без выраженных смещений, что говорит о том, что нейронная сеть может надёжно прогнозировать поведение новой комбинации параметров в пределах исследованного диапазона.

Почему это важно для реальных устройств

Для инженеров, проектирующих медицинские импланты или миниатюрные приводы из сплавов с памятью формы, каждый рез должен быть точным и достаточно бережным, чтобы сохранить уникальное поведение материала. Это исследование показывает, что сочетая контролируемую искровую резку с машинным обучением, можно определить настройки, обеспечивающие приемлемый компромисс между скоростью резки и качеством поверхности, при этом сохраняя большую часть внутренней структуры сплава. Хотя набор данных невелик и требуется дальнейшее тестирование функциональных свойств, работа демонстрирует практический путь к «умной» обработке: вместо метода проб и ошибок производители могут полагаться на обученные модели, чтобы быстро находить режимы процесса, дающие более гладкие и надёжные детали из этих трудноперерабатываемых умных металлов.

Цитирование: Tyagi, R., Soni, H., Tripathi, A. et al. Data-driven machine learning modelling in wire EDM of TiNiCo shape memory alloy. Sci Rep 16, 11845 (2026). https://doi.org/10.1038/s41598-026-41113-1

Ключевые слова: сплав с эффектом памяти формы, проволочная ЭДМ, шероховатость поверхности, скорость съёма материала, моделирование нейронной сетью