Multimålsoptimering och maskininlärningsbaserad prognos för rakspårig varm inkrementell plåtformning av magnesiumlegeringen AZ31

Formning av lätta metaller som går lättare

Från bilar och flygplan till medicinska implantat vill tillverkare använda lättare metaller som kan spara bränsle och förbättra prestanda. Magnesiumlegeringar är särskilt attraktiva eftersom de både är lätta och starka, men de är även svåra att forma vid rumstemperatur och kan spricka lätt. Denna studie utforskar ett smartare sätt att forma detaljer i en vanlig magnesiumlegering, AZ31, genom att värma materialet försiktigt och använda datadrivna metoder — inklusive maskininlärning — för att hitta inställningar som är snabba, energieffektiva och mindre benägna att skada materialet.

Hur ett rörligt verktyg försiktigt karvar i en plåt

I stället för att pressa en plåt i en fast form i ett enda slag använder inkrementell plåtformning ett rundat verktyg som följer en bana över plåten och trycker den lite djupare vid varje pass. I det här arbetet fokuserade teamet på en rakspårig form: en enkel kanal som formas i 1 mm tjocka AZ31-plåtar. Plåten spänns över en specialbyggd elektrisk uppvärmningskammare så att den kan värmas till 200–250 °C, och en datorstyrd (CNC) maskin för verktyget stegvis medan en kraftsensor mäter hur hårt verktyget måste trycka och hur lång tid processen tar tills plåten slutligen brottas.

Att omvandla många prov till ett bästa recept

Eftersom fyra olika inställningar — temperatur, stegvis nedsänkning per pass, spindelhastighet och matningshastighet — alla kan justeras, använde forskarna en strukturerad försöksplan kallad Taguchi-design för att köra 27 noggrant utvalda experiment istället för att testa varje möjlig kombination. De tillämpade sedan en rankningsmetod känd som TOPSIS som kombinerar två mål samtidigt: att hålla formningskrafterna låga (för att minska slitage och energianvändning) och att hålla formningstiderna korta (för att öka produktiviteten). Denna metod tilldelar varje försök en enda poäng, kallad en närhetskoefficient, som anger hur nära det kommer det bästa tänkbara utfallet — låg kraft och kort tid tillsammans.

Värme och små steg gör det tunga jobbet

Analysen visade att två inställningar spelar störst roll: hur varm plåten är och hur djupt varje vertikalt steg för verktyget är. Att värma AZ31-plåten till omkring 250 °C gör dess interna kristallstruktur mer duktil, så den kan töjas lättare och kräver mindre kraft för att formas. Samtidigt sprider en mindre stegvis nedsänkning varje deformation ut sig mer försiktigt, vilket undviker skarpa lokala spänningar som saktar ner processen och höjer kraften. Verktygets rotationshastighet och matningshastighet hade endast liten inverkan inom de testade intervallen. Genom att kombinera de statistiska rankingarna förutsåg teamet en ännu bättre uppsättning villkor än något enskilt experiment använt och bekräftade sedan denna prognos i ett uppföljningstest, som presterade något bättre än de tidigare försöken.

Att lära en dator att förutsäga processen

För att gå bortom försök-och-fel tränade forskarna en maskininlärningsmodell kallad Random Forest för att förutsäga formningstid, formningskraft och TOPSIS-prestandapoäng utifrån de fyra processinställningarna. Även med bara 27 experimentella datapunkter lärde sig modellen mönstren tillräckligt bra för att förutsäga kraft och tid med hög noggrannhet. Den betonade också oberoende att temperatur och stegvis nedsänkning var de dominerande spakarna, vilket förstärker de statistiska resultaten. På mikroskopisk nivå visade elektronmikroskopbilder av brottade spårväggar klassiska tecken på duktilt brott — djupa dimplar och rivkammar — vilket indikerar att metallen under varma förhållanden töjer sig omfattande innan den slutligen går av.

Vad detta innebär för tillverkning i praktiken

I praktiska termer visar detta arbete hur tillverkare kan få ett svårformat, lätt metallmaterial att anta önskad form genom att kombinera kontrollerad uppvärmning med noggrann justering av bara några nyckelinställningar. Den hybrida metoden — en blandning av planerade experiment, flerkriterieranking och maskininlärning — ger ett praktiskt recept för att välja temperaturer och stegstorlekar som håller krafterna låga och produktionstider rimliga, utan att behöva testa varje möjlighet i verkstaden. Samma strategi kan utvidgas till andra legeringar och former och hjälpa fabriker att utforma lättare detaljer snabbare, säkrare och mer effektivt.

Citering: 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

Nyckelord: inkrementell plåtformning, magnesiumlegering AZ31, varm formning, processoptimering, maskininlärning i tillverkning