RBF-assisterad surrogatmodellering och maskininlärning för prognoser av mekaniska egenskaper i friction stir additive manufacturing: Tillämpning på olika AA6061/AA7075 aluminiumlegeringar.

Varför detta är viktigt för framtida metalldelar

Moderna bilar och flygplan kräver metalldelar som är starka, lätta och snabba att tillverka. En lovande teknik som kallas friction stir additive manufacturing (FSAM) kan stapla lager av aluminium utan att smälta dem, vilket undviker många defekter som drabbar konventionell 3D-utskrift med smält material. Men att köra många trial-and-error-experiment för att hitta rätt processinställningar är dyrt och tidskrävande. Denna studie visar hur ett litet antal verkliga tester, kombinerat med matematisk interpolation och maskininlärning, kan hjälpa ingenjörer att utforska vilka FSAM-inställningar som sannolikt ger bättre draghållfasthet och hårdhet i blandade aluminiumdelar—samt tydligt ange vad som är prediktion och vad som fortfarande måste bekräftas i labbet.

Bygga delar genom omrörning, inte smältning

FSAM är en solid-tillståndsprocess: ett roterande verktyg pressas in i staplade metalplåtar och förflyttas längs dem, vilket genererar friktionsvärme som mjukar upp—men inte smälter—materialet. När verktyget avancerar rör det om och binder nytt material i strukturen, lager för lager. Eftersom metallen aldrig blir helt flytande undviker FSAM porositet och sprickbildning som kan plåga fusionbaserad 3D-utskrift och kan ge fina, homogena korn liknande smidda metaller. Författarna fokuserar på alternerande lager av två allmänt använda aluminiumlegeringar, AA6061 och AA7075, arrangerade i två staplingsordningar (6061-över-7075 och 7075-över-6061), för att studera hur processinställningar påverkar dragbrottsgräns och Vickers-hårdhet.

Få mer gjort med bara nio experiment

En central utmaning är brist på data: fullskaliga FSAM-experiment är kostsamma, tidskrävande och begränsade av maskintillgänglighet och säkerhetskrav. Här utfördes endast nio noggrant utvalda experiment (en Taguchi L9-design), där tre reglage varierades: verktygets rotationshastighet, framfartshastighet och tilt-vinkel. För att fylla luckorna mellan dessa nio punkter använde teamet en matematisk teknik kallad radial basis function (RBF)-interpolation. RBF tar de uppmätta värdena och bygger en jämn yta över det trefaldiga parameterutrymmet. Från denna surrogatyta genererade de 882 syntetiska datapunkter, vilket effektivt skapade en tät "virtuell" karta över hur styrka och hårdhet kan variera inom det testade fönstret av hastigheter och vinklar.

Lära modeller att efterlikna surrogatet, inte världen

På detta berikade dataset om 891 punkter (9 verkliga + 882 syntetiska) tränade författarna tre olika regressionsmodeller: Gaussian Process Regression (GPR), Support Vector Regression (SVR) och Bayesian Ridge Regression. Dessa modeller ombads att förutsäga draghållfasthet och hårdhet för båda staplingssekvenserna, givet de tre processparametrarna. GPR utmärkte sig och återskapade RBF-baserade värden med fel ofta under 1 % och höga R²-värden (typiskt över 0,85 över den syntetiska mängden). SVR visade måttlig, mestadels systematisk underskattning, och Bayesian Ridge—en linjär metod—hade svårt med det starkt icke-linjära beteendet, särskilt för hårdhet. Avgörande är att författarna betonar att denna nästan perfekta prestanda innebär att modellerna lärt sig RBF-surrogatet mycket väl; det bevisar ännu inte att de fångar all den röriga variabilitet som finns i verkliga FSAM-experiment.

Vilka reglage spelar störst roll under dessa villkor?

För att göra modellerna tolkbara använder studien SHAP (SHapley Additive exPlanations), ett verktyg som tilldelar en viktad betydelse för varje inparameter i varje prediktion. Inom det syntetiska designrymden framträder verktygets rotationshastighet som den dominerande drivaren för draghållfasthet i båda staplingsordningarna, med framfartshastigheten som näst viktigast och tilt-vinkeln i allmänhet som en avlägsen tredje plats. För hårdhet är bilden mer balanserad: rotations- och framfartshastigheter byter plats i betydelse beroende på om 6061 ligger ovanpå 7075 eller vice versa. Analysen framhäver också att staplingssekvensen i sig spelar roll—konfigurationen 7075-över-6061 tenderar att nå högre styrka och hårdhet under liknande bearbetningsförhållanden, i linje med AA7075:s högre grundstyrka.

Vad detta ramverk kan och inte kan påstå

För att kontrollera realism genomför författarna leave-one-out-test på de ursprungliga nio experimenten. Felen där är flera procentenheter—mycket större än för de syntetiska punkterna—vilket visar att verkliga mätningar är brusigare och att surrogatet ännu inte kan behandlas som absolut sanning. Författarna är tydliga med denna begränsning: deras ramverk är ett sätt att utforska trender och identifiera lovande regioner i parameterutrymmet när endast ett fåtal experiment finns tillgängliga. Varje "optimalt" inställningsförslag som plockas från de syntetiska kartorna är i detta skede en hypotes som fortfarande kräver oberoende experimentell bekräftelse. Ändå erbjuder tillvägagångssättet en återanvändbar mall för andra tillverkningsproblem med få data, där glesa experiment, jämn interpolation, probabilistisk maskininlärning och förklarbar analys kombineras för att styra smartare uppföljningstester snarare än blint trial and error.

Citering: Venkatachalam, K., Selvaraj, S.K., Mannayee, G. et al. RBF-assisted surrogate modeling and machine learning for mechanical property prediction in friction stir additive manufacturing: Application to dissimilar AA6061/AA7075 aluminum alloys.. Sci Rep 16, 14168 (2026). https://doi.org/10.1038/s41598-026-42608-7

Nyckelord: friction stir additive manufacturing, aluminiumlegeringar, surrogatmodellering, Gaussian process regression, syntetiska data