Çoklu yanıt optimizasyonu ve makine öğrenimine dayalı AZ31 magnezyum alaşımının düz oluğa sahip sıcak artan sac şekillendirmesinin tahmini

Hafif Metalleri Daha Kolay Şekillendirmek

Otomobillerden uçaklara ve tıbbi implantlara kadar üreticiler, yakıt tasarrufu sağlayan ve performansı iyileştiren daha hafif metaller kullanmaya hevesli. Magnezyum alaşımları, hem hafif hem de dayanıklı oldukları için özellikle çekici, ancak oda sıcaklığında şekillendirilmeye dirençli olabilir ve kolayca çatlayabilirler. Bu çalışma, yaygın bir magnezyum alaşımı olan AZ31’den parça üretmeyi daha akıllıca bir şekilde inceleyerek, malzemeyi nazikçe ısıtmayı ve veri odaklı yöntemler — makine öğrenimi de dahil — kullanarak hızlı, enerji verimli ve malzemeye daha az zarar verecek ayarları bulmayı hedefliyor.

Hareketli Bir Aletin Metal Levhayı Nazikçe Oyma Biçimi

Bir metal levhayı tek bir büyük darbe ile katı bir kalıba bastırmak yerine, artan sac şekillendirme, metal üzerinde bir yol izleyen yuvarlak uçlu bir alet kullanır ve her geçişte onu biraz daha derine iter. Bu çalışmada ekip, düz bir oluğa odaklandı: 1 mm kalınlığında AZ31 levhalara oluşturulan basit bir kanal. Levha, 200–250 °C’ye ısıtılabilmesi için özel bir elektrikli ısıtma haznesi üzerine klempleniyor ve bilgisayar kontrollü (CNC) bir makine aleti adım adım hareket ettirirken bir kuvvet sensörü, aletin ne kadar kuvvet uygulamak zorunda kaldığını ve levhanın nihayet kırılana kadar işlemin ne kadar sürdüğünü ölçüyor.

Çok Sayıda Deneyi Tek Bir En İyi Tarifte Toplamak

Sıcaklık, geçiş başına düşen adım derinliği, iş mili hızı ve besleme hızı olmak üzere dört farklı ayarın değiştirilebilmesi nedeniyle araştırmacılar, her olası kombinasyonu denemek yerine 27 dikkatle seçilmiş deney çalıştırmak için Taguchi tasarımı adı verilen yapılandırılmış bir test planı kullandılar. Ardından, hem şekillendirme kuvvetlerini düşük tutmayı (aşınma ve enerji kullanımını azaltmak için) hem de şekillendirme sürelerini kısa tutmayı (verimliliği artırmak için) aynı anda birleştiren TOPSIS olarak bilinen bir sıralama yöntemi uyguladılar. Bu yöntem, her deneye düşük kuvvet ve düşük süre birlikte olmak üzere hayal edilebilecek en iyi sonuca ne kadar yakın olduğunu gösteren bir yakınlık katsayısı adlı tek bir puan atıyor.

Isı ve Küçük Adımlar Ağır İşin Çoğunu Yapıyor

Analiz, en önemli iki ayarın levhanın sıcaklığı ve aletin her dikey adımındaki derinlik olduğunu gösterdi. AZ31 levhayı yaklaşık 250 °C’ye ısıtmak, iç kristal yapısını daha esnek hale getirir; böylece daha kolay uzar ve şekillendirmek için daha az kuvvet gerekir. Aynı zamanda, geçiş başına daha küçük bir adım derinliği kullanmak, deformasyonu daha nazikçe yayar; işlem süresini uzatan ve kuvveti artıran keskin yerel gerilmelerin oluşmasını önler. Test edilen aralıklarda iş mili dönüş hızı ve besleme hızı ise yalnızca düşük düzeyde etki gösterdi. İstatistiksel sıralamaları birleştirerek ekip, tek bir deneyin kullandığından daha iyi bir koşul seti öngördü ve bu tahmini bir doğrulama testinde sınayarak önceki denemelerin hepsinden biraz daha iyi sonuç aldı.

İşlemi Tahmin Etmeyi Bilgisayara Öğretmek

Deneme-yanılmanın ötesine geçmek için araştırmacılar, dört süreç ayarından şekillendirme süresini, şekillendirme kuvvetini ve TOPSIS performans puanını tahmin etmek üzere Random Forest adlı bir makine öğrenimi modeli eğittiler. Sadece 27 deneysel veri noktasına rağmen, model kuvveti ve süreyi yüksek doğrulukla öngörecek desenleri yeterince öğrendi. Ayrıca bağımsız olarak sıcaklık ve adım derinliğini baskın kollar olarak vurgulayarak istatistiksel bulguları pekiştirdi. Mikroskobik düzeyde, çatlamış olu duvarlarının taramalı elektron mikroskobu görüntüleri, derin çukurlar ve yırtılma sırtları gibi sünek kırılma belirtilerini gösterdi; bu, sıcak koşullar altında metalin nihayet kırılmadan önce geniş ölçüde uzadığını ortaya koyuyor.

Gerçek Dünyada Üretim İçin Anlamı

Günlük terimlerle bu çalışma, üreticilerin kontrollü ısıtma ile birkaç ana ayarın dikkatli ayarlanmasını birleştirerek zor bir hafif metali şekle zorlayabileceğini gösteriyor. Planlı deneyler, çok kriterli sıralama ve makine öğrenimini harmanlayan hibrit yaklaşım, tüm olasılıkları atölyede denemeye gerek kalmadan kuvvetleri düşük ve üretim sürelerini makul tutacak sıcaklıkları ve adım boyutlarını seçmek için pratik bir reçete sağlıyor. Aynı strateji diğer alaşımlara ve şekillere de uygulanarak fabrikaların daha hafif parçaları daha hızlı, daha güvenli ve daha verimli biçimde tasarlamasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: artan sac şekillendirme, magnezyum alaşımı AZ31, sıcak şekillendirme, proses optimizasyonu, imalatta makine öğrenimi