Fysikstyrd förklarbar maskininlärning för multiresponsmodellering av elektrolytisk mikrobearbetning med polymergrafitelektroder

Mindre delar, smartare maskiner

Från medicinska implantat till mikroskopiska kanaler i elektronik förlitar sig moderna produkter på detaljer i mikrometerstorlek som formats i hårda metaller. Att tillverka dessa strukturer rent och precist är svårt, och varje experiment för att finjustera processen kostar tid och pengar. Den här studien visar hur en kombination av fysik och maskininlärning kan hjälpa ingenjörer att förutsäga hur en specialiserad bearbetningsmetod beter sig, så att de kan hitta bättre inställningar med färre provkörningar.

Hur metall kan formas utan skärande bearbetning

Arbetet fokuserar på elektrokemisk mikrobearbetning, en metod som formar metall inte genom att skära bort material, utan genom att lösa upp det på ett kontrollerat sätt. Ett spetsigt verktyg baserat på grafit förs mycket nära en del i rostfritt stål inom en cirkulerande saltlösning, och korta elektriska pulser gör att metallytan löses upp där det elektriska fältet är starkast. Detta tillvägagångssätt ger mycket små hål och kanaler med nästan inget verktygsförslitning och liten mekanisk påfrestning, vilket gör det attraktivt för flygindustri, medicinteknik och mikroelektronik. Processen är dock svår att kontrollera eftersom flera faktorer, såsom spänning, saltskoncentration och pulsens arbetscykel, samverkar på komplexa sätt.

Varför verktygsmaterialet spelar roll

Forskarna jämförde två typer av polymergrafitelektroder: en standardversion och en som hade genomgått kryogen behandling, det vill säga kyldes till mycket låga temperaturer för att ändra sin inre struktur. I mikroskop framstod den obehandlade verktygsyta som grov och porös, medan den behandlade verktyget såg jämnare och mer enhetligt ut. Dessa skillnader avspeglade sig i formen och kvaliteten på de små hålen som producerades. Hål gjorda med det obehandlade verktyget tenderade att ha bredare ingångar, koniska väggar och grövre ytor, medan de som gjordes med det behandlade verktyget var mer cirkulära, rakare och slätare. Dessa observationer bekräftade att verktygets tillstånd har stor påverkan på hur metallen löses upp och gav ett fysiskt underlag för att inkludera verktygstillstånd i modelleringen.

Lära en modell att respektera fysiken

I stället för att mata in enbart råa inställningar som spänning och saltskoncentration i en maskininlärningsmodell byggde teamet ytterligare indatafunktioner som speglar hur processen faktiskt fungerar. Vägledade av elektrokemi kombinerade de variabler till termer som representerar den sammanlagda svårighetsgraden av den elektriska belastningen och hur elektriska pulser och lösningsegenskaper samverkar. Med en liten men noggrant utformad uppsättning om 34 experiment tränade de ensemblemodeller för att förutsäga fyra nyckelresultat samtidigt: materialavverkningshastighet, hur mycket hålet överskrider verktygsstorleken (overcut), hur mycket väggarna konar och hur grov ytan blir. De jämförde dessa fysikstyrda modeller med traditionella polynompassningar och med modeller som använde endast grundläggande indata.

Se in i modellens beslut

De fysikstyrda modellerna förutsade konsekvent utfall mer exakt än både traditionella ekvationer och rent datadrivna varianter. Till exempel förklarade den bästa modellen över 90 procent av variationen i overcut och omkring 87 procent av variationen i ytråhet. Lika viktigt använde forskarna förklarbar AI för att se vilka indata som betydde mest. Funktioner som kodade kombinerade effekter av spänning, pulsdutycykel och elektrolytkoncentration dominerade förutsägelserna, i linje med förväntningarna från elektrokemin. Verktygets skick framträdde också som en huvudfaktor för geometrisk noggrannhet och ytkvalitet. Residualkontroller och tester med omkastade (shufflade) data bekräftade att de återstående felen mestadels var slumpmässiga snarare än tecken på en dold trend som modellen missat.

Vägledning till bättre inställningar och framtida verktyg

Genom att förvandla ett litet antal välplanerade experiment till en pålitlig, fysiskt förankrad prediktor erbjuder detta arbete ett sätt att utforska processinställningar i datorn i stället för enbart i verkstaden. Modellen kan generera mjuka kartor som visar hur förändringar i spänning eller lösningsstyrka påverkar materialavverkningshastighet, hålstorlek, konning och ytjämnhet, och den lyfter fram bredare stabila driftområden när kryogenbehandlade verktyg används. För ingenjörer innebär detta snabbare fininställning av nya jobb, klarare förståelse för avvägningar mellan hastighet och kvalitet, samt en väg mot digitala tvillingar och adaptiv styrning inom elektrokemisk mikrobearbetning.

Citering: 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

Nyckelord: elektrokemisk mikrobearbetning, fysikstyrd maskininlärning, ytjämnhet, mikrotillverkning, polymergrafitelektrod