Физически-информируемое объяснимое машинное обучение для многовыходного моделирования электрохимического микрообработки с полимер-графитными электродами

Меньше деталей, умнее станки

От медицинских имплантатов до крошечных каналов в электронике — современные изделия зависят от микроструктур, вырезанных в прочных металлах. Создать эти структуры чисто и точно сложно, а каждое экспериментальное наладочное испытание требует времени и денег. В этом исследовании показано, как сочетание физических моделей и машинного обучения помогает инженерам предсказывать поведение специализированного метода обработки, чтобы находить оптимальные параметры с меньшим количеством проб.

Как формуют металл без резки

Работа посвящена электрохимическому микрообрабатыванию — методу, который формует металл не путем механической резки, а путем контролируемого растворения. Острый инструмент на основе графита подводят очень близко к детали из нержавеющей стали в проточной солевой среде, и короткие электрические импульсы вызывают растворение металла там, где электрическое поле наиболее интенсивно. Этот подход позволяет получать крошечные отверстия и каналы при почти нулевом износе инструмента и минимальном механическом напряжении, что делает его привлекательным для авиационно-космической техники, медицинских устройств и микроэлектроники. Однако процесс трудно контролировать, потому что несколько факторов — такие как напряжение, концентрация соли и скважность импульсов — взаимодействуют сложным образом.

Почему материал инструмента имеет значение

Исследователи сравнили два типа полимер-графитных электродов: стандартный образец и образец, подвергнутый криогенной обработке, то есть охлажденный до очень низких температур для изменения внутренней структуры. Под микроскопом поверхность необработанного инструмента выглядела шероховатой и пористой, тогда как обработанный инструмент казался более гладким и однородным. Эти различия отразились на форме и качестве полученных микроотверстий. Отверстия, сделанные необработанным инструментом, имели тенденцию к более широкому входу, сужающимся стенкам и более грубой поверхностью, тогда как отверстия, полученные с обработанным инструментом, были более круглыми, прямыми и гладкими. Эти наблюдения подтвердили, что состояние инструмента существенно влияет на процесс растворения металла и дали физическую основу для включения состояния инструмента в модель.

Обучение модели с уважением к физике

Вместо того чтобы подавать в модель машинного обучения только «сырые» параметры, такие как напряжение и концентрация соли, команда сформировала дополнительные входные признаки, отражающие реальную суть процесса. Руководствуясь принципами электрохимии, они комбинировали переменные в термы, представляющие общую интенсивность электрической нагрузки и взаимодействие между импульсами и свойствами электролита. Используя небольшой, но тщательно спроектированный набор из 34 экспериментов, они обучили ансамблевые модели прогнозировать одновременно четыре ключевых показателя: скорость удаления материала, степень превышения размера отверстия относительно размера инструмента (overcut), величину сужения стенок и шероховатость поверхности. Эти физически-информируемые модели сравнивали с традиционными полиномиальными аппроксимациями и с моделями, использующими только базовые входы.

Взгляд внутрь решений модели

Физически-информируемые модели стабильно предсказывали результаты точнее, чем традиционные уравнения и чисто датадривен-варианты. Например, лучшая модель объясняла более 90 процентов вариации в overcut и около 87 процентов вариации в шероховатости поверхности. Не менее важно то, что исследователи применили инструменты объяснимого ИИ, чтобы понять, какие входы влияют сильнее всего. Признаки, кодирующие комбинированные эффекты напряжения, скважности импульсов и концентрации электролита, доминировали в предсказаниях, что согласуется с ожиданиями из электрохимии. Состояние инструмента также проявилось как важный фактор геометрической точности и качества поверхности. Проверки остатков и тесты со случайной перестановкой данных подтвердили, что оставшиеся ошибки в основном носят случайный характер, а не указывают на скрытую тенденцию, которую модель упустила.

Навигация к лучшим параметрам и будущим инструментам

Преобразовав несколько хорошо спланированных экспериментов в надежный, физически обоснованный предиктор, эта работа предлагает способ исследовать параметры процесса на компьютере, а не полностью на производстве. Модель может генерировать гладкие карты, показывающие, как изменение напряжения или прочности раствора повлияет на скорость удаления материала, размер отверстия, его конусность и шероховатость, и она выявляет более широкие устойчивые области работы при использовании криогенно обработанных электродов. Для инженеров это означает более быстрое наложение новых операций, ясное понимание компромиссов между скоростью и качеством и путь к цифровым двойникам и адаптивному управлению в электрохимическом микрообрабатывании.

Цитирование: Reddy, B.V.S., Pradeep, N., Bhaskar, A.S. et al. Physics-guided explainable machine learning for multi-response modeling of electrochemical micro-machining using polymer graphite electrodes. Sci Rep 16, 15623 (2026). https://doi.org/10.1038/s41598-026-46315-1

Ключевые слова: электрохимическое микрообработки, физически-информируемое машинное обучение, шероховатость поверхности, микропроизводство, полимер-графитный электрод