Optimering och förutsägelse av högsta temperatur vid friktionsrörsvetsning av Al 6061 T6 med statistiska och maskininlärningstekniker

Varför det är viktigt att hålla svetsar svala

Från flygplan till elbilar förlitar sig många maskiner på aluminiumdelar som måste förenas utan att försvagas. Friktionsrörsvetsning är ett populärt sätt att göra detta eftersom den blandar bitarna utan att fullständigt smälta metallen. Men om processen blir för het kan aluminiumet mjukna, förlora hållfasthet eller till och med smälta. Denna artikel undersöker hur man kan förutsäga och kontrollera de högsta temperaturerna som uppstår vid svetsning av en vanlig legering, Al 6061 T6, med hjälp av datorbaserade simuleringar, genomtänkt statistik och maskininlärning, så att tillverkare kan få starka, konsekventa fogar samtidigt som termisk skada undviks.

Hur denna fasttillståndssvets fungerar

Vid friktionsrörsvetsning pressas ett roterande verktyg, format som en kort pinne med en bred axel, in i skarven mellan två plåtar och förs längs sömmen. Friktion och plastisk omrörning värmer upp och mjukar upp metallen så att den blandas och smids samman utan att bli flytande. För Al 6061 T6 ligger denna temperaturmässiga ”sweet spot” under smältpunkten men tillräckligt hög för att möjliggöra god blandning. Om högsta temperaturen närmar sig eller överstiger ungefär fyra femtedelar av smälttemperaturen kan legeringens härdningspartiklar grova upp eller metallen börja smälta, vilket leder till mjukare zoner och sämre mekaniska egenskaper. Att kontrollera den högsta temperaturen är därför avgörande för både säkerhet och hållbarhet.

Att testa många reglage samtidigt

Forskarna fokuserade på sju reglage som svetsare kan justera: verktygsmaterial, pinnens diameter, axelns diameter, rotationshastighet, framdrivningshastighet, axiell kraft som trycker verktyget nedåt samt friktionen mellan verktyg och plåt. Istället för att köra tusentals försök använde de en Taguchi-design, en statistisk genväg som väljer en noggrant utvald uppsättning av 32 kombinationer för att avslöja vilka reglage som betyder mest. För varje kombination byggde de en tredimensionell datormodell i COMSOL för att simulera värmegenerering från det roterande verktyget och hur den värmen sprider sig genom aluminiumplåten och underlaget. De jämförde sedan en delmängd av dessa simuleringar med experiment på en modifierad fräsmaskin, där termoelement mätte temperaturer vid olika punkter runt svetsen. De simulerade och uppmätta högsta temperaturerna stämde överens inom ungefär 7 %, vilket gav förtroende för att modellen fångade det verkliga termiska beteendet.

Att hitta huvudorsakerna till överhettning

Med simuleringsdata i hand använde teamet statistiska verktyg för att reda ut vilka processparametrar som hade störst effekt på högsta temperatur. Med Taguchi-analys och variansanalys fann de tydliga ledare: axiell kraft och verktygets rotationshastighet. Högre rotationshastighet och större nedåtriktat tryck genererar betydligt mer friktionsvärme och plastisk deformation, vilket driver upp topp-temperaturerna; i vissa simulerade fall översteg temperaturen i svetszonen 600 °C, högre än det smältpunktsintervall som anses säkert för denna legering. Förändringar i pinn- och axelstorlek hade en sekundär effekt genom att ändra kontaktområdet, medan val av verktygsmaterial och små variationer i friktionskoefficienten hade relativt liten inverkan. Dessa resultat tyder på att noggrann kontroll av hastighet och kraft är det mest effektiva sättet att hålla svetsar under skadliga temperaturer.

Låta ett neuronnät förutsäga värmen

För att gå bortom statiska tumregler tränade författarna ett enkelt artificiellt neuronnät för att lära sig sambandet mellan svetsinställningar och högsta temperatur. De använde simuleringsresultaten som exempel, matade in de sex mest relevanta ingångarna (alla reglage utom verktygsmaterialet) och tränade nätverket att ge den förväntade maximala temperaturen som utdata. Genom att dela upp data i tränings-, validerings- och testuppsättningar och använda en standard backpropagation-metod lärde sig nätverket att reproducera simuleringsresultaten med mycket hög noggrannhet: dess förutsägelser skiljde sig i genomsnitt med cirka 1 % från simuleringarna, bättre än de 3–4 % fel från Taguchi-regressionen och ANOVA-baserade formeln. Detta visar att även med en relativt liten datamängd kan ett väl utformat neuronnät fånga subtila interaktioner mellan parametrar som enklare modeller missar.

Vad detta innebär för verklig svetsning

Studien slår fast att en kombination av finita element-simuleringar, statistisk design och neuronnät erbjuder ett kraftfullt verktyg för att göra friktionsrörsvetsning både säkrare och effektivare. Genom att identifiera axiell kraft och rotationshastighet som de dominerande drivkrafterna för värme, och genom att erbjuda en snabb förutsägare för högsta temperatur, kan tillvägagångssättet vägleda ingenjörer att välja inställningar som undviker överhettning samtidigt som de fortfarande ger hållbara fogar. I praktiska termer betyder det färre defekter, komponenter med längre livslängd och mindre provande och felande på fabriksgolv inom flyg-, fordons- och andra industrier som är beroende av lätta aluminiumkonstruktioner.

Citering: Anis, A., Shakaib, M. & Hanif, M.S. Optimization and prediction of peak temperature in friction stir welding of Al 6061 T6 using statistical and machine learning techniques. Sci Rep 16, 7901 (2026). https://doi.org/10.1038/s41598-025-03217-y

Nyckelord: friktionsrörsvetsning, aluminiumlegeringar, termisk kontroll, processoptimering, neuronnätsmodellering