TiNiCo şekil hafızalı alaşımının tel EDM'sinde veri odaklı makine öğrenimi modellemesi

Şeklini hatırlayan akıllı metaller

Bir metal teli düşünün: şeklini bozacak şekilde bükülebiliyor ve biraz ısı uygulandığında sessizce orijinal formuna geri dönüyor. Bu “şekil hafızalı” metaller zaten tıbbi implantlar, küçük robotik parçalar ve havacılık bileşenleri için araştırılıyor. Ancak gerçek cihazlarda kullanabilmek için mühendislerin bu metallerin özel özelliklerini bozmadan kesip şekillendirmesi gerekiyor. Bu çalışma, bir bıçak yerine kıvılcımlarla titanyum–nikel–kobalt şekil hafızalı bir alaşımı nasıl hassasça kesilebileceğini ve makine öğreniminin düzgün yüzeyler ve verimli kesim için süreci nasıl ayarlamaya yardımcı olabileceğini inceliyor.

Bıçak yerine kıvılcımla kesme

Araştırmacılar Ti₅₀Ni₄₀Co₁₀ adlı, orijinal şeklini “hatırlayabilen” ve büyük deformasyonlardan sonra bile yay benzeri davranış gösterebilen bir alaşım ailesinin parçası olan özel bir alaşımla çalışıyorlar. Geleneksel kesme takımları bu tür alaşımlarda zorluk yaşar: güçlüdürler, deformasyonla sertleşirler ve aşırı ısınma veya hasar görme durumunda şekil hafızası özelliklerini kaybedebilirler. Bu sorunları önlemek için ekip telle elektrik deşarj işleme (WEDM) yöntemini kullanıyor. Bu yöntemde ince bir pirinç tel metal ile doğrudan temas etmez. Bunun yerine metal bir sıvı içinde yer alır ve tel ile iş parçası arasındaki çok dar bir boşlukta hızla elektrik kıvılcımları atlar; böylece metal dar bir yolda erir ve buharlaşır, kesim oluşturulur.

Doğru kıvılcım ayarlarını bulmak

WEDM ile bile kesim hızı ile yüzey kalitesi arasındaki dengeyi tutturmak zordur. Her kıvılcım, ne kadar sürdüğü ve tel ile iş parçası arasındaki mesafe gibi parametrelerle kontrol edilir. Bu çalışma özellikle iki önemli kontrol koluna odaklanıyor: pulse-on zamanı (her bir kıvılcımın ne kadar süre açık kaldığı) ve servo voltajı (tel ile metal arasındaki boşluğu, dolayısıyla kıvılcım gücünü ve kararlılığını kontrol etmeye yardımcı olur). Diğer parametreler sabit tutulurken bu iki ayar dikkatlice değiştirilerek iki temel çıktı ölçülüyor: ne kadar hızlı malzeme kaldırıldığı (malzeme kaldırma hızı, MRR) ve kesim sonrası yüzeyin ne kadar pürüzlü olduğu (yüzey pürüzlülüğü, SR). Ayrıca kesilmiş yüzeyler üç boyutlu ve elektron mikroskopları altında incelenerek çukurcukların, çatlakların ve yeniden donmuş erimiş tabakaların nasıl oluştuğu gözlemleniyor.

Metal yüzeyine yakından bakmak

Kıvılcımlar güçlü ve uzun süreliyse—yüksek pulse-on zamanı ile düşük servo voltajı bir araya gelmişse—metal hızlıca kaldırılır, ancak yüzey zarar görür. Mikroskopi derin çukurlar, üst üste binen erimiş havuzlar, kalın bir “recast” (yeniden katılaşmış) metal tabakası ve hızlı ısıtma-soğutma nedeniyle oluşan ince çatlakları ortaya koyuyor. Tel ve sıvıdan gelen bakır, çinko, oksijen ve karbon gibi elementler bu dış tabakada bulunuyor; bu da kesim sırasında yüzey kimyasının değiştiğini doğruluyor. Diğer uçta ise daha kısa kıvılcımlar ve daha geniş bir boşluk—daha düşük pulse-on zamanı ve daha yüksek servo voltaj—daha nazik, daha stabil deşarjlar üretiyor. Malzeme kaldırma yavaşlıyor, ancak ortaya çıkan yüzey daha sığ çukurlar, daha az çatlak ve daha ince bozulmuş bir katman gösteriyor; bu da yorulma ömrü, korozyon direnci ve nihayetinde güvenli implantlar için kritik olan daha iyi “yüzey bütünlüğünü” işaret ediyor.

En iyi ayarları sinir ağına öğreterek bulmak

Kıvılcım ayarları ile yüzey kalitesi arasındaki ilişki karmaşık ve yüksek derecede doğrusal olmayan olduğundan ekip veri odaklı modellemeye yöneliyor. 25 WEDM deneyinin sonuçlarını yapay sinir ağına, örneklerden desenleri öğrenebilen bir makine öğrenimi modeline besliyorlar. Ağ, giriş olarak pulse-on zamanı ve servo voltajını alıyor; çıktı olarak hem yüzey pürüzlülüğünü hem de malzeme kaldırma hızını tahmin ediyor. Verinin çoğu eğitim için, daha küçük bir kısmı ise test ve doğrulama için ayrıldığında model deney sonuçlarını hızlıca taklit etmeyi öğreniyor. İstatistiksel ölçütler tahmin edilen ve ölçülen değerler arasında çok yüksek uyum gösteriyor; ortalama hatalar küçük ve belirgin bir önyargı yok, bu da sinir ağının test edilen aralık içinde yeni bir ayar kombinasyonunun nasıl performans göstereceğini güvenilir şekilde tahmin edebileceğini gösteriyor.

Gerçek dünyadaki cihazlar için neden önemli

Şekil hafızalı alaşımlardan tıbbi implantlar veya minyatür aktüatörler tasarlayan mühendisler için her kesim hem hassas hem de malzemenin özel davranışını koruyacak kadar nazik olmalı. Bu çalışma, kontrollü kıvılcım tabanlı kesim ile makine öğrenimini birleştirerek kesim hızı ile yüzey kalitesi arasında kabul edilebilir bir ödünleşmeyi sağlayan ayarların belirlenebileceğini ve alaşımın iç yapısının büyük ölçüde korunabileceğini gösteriyor. Veri seti sınırlı ve fonksiyonel performansın daha fazla test edilmesi gerekse de, bu çalışma “akıllı” işleme yönünde uygulamalı bir yol sunuyor: üreticiler deneme-yanılma yerine eğitimli modellere güvenerek bu zor işlenebilir akıllı metallerden daha düzgün, daha güvenilir parçalar elde eden süreç koşullarına hızla ulaşabilirler.

Atıf: Tyagi, R., Soni, H., Tripathi, A. et al. Data-driven machine learning modelling in wire EDM of TiNiCo shape memory alloy. Sci Rep 16, 11845 (2026). https://doi.org/10.1038/s41598-026-41113-1

Anahtar kelimeler: şekil hafızalı alaşım, tel EDM, yüzey pürüzlülüğü, malzeme kaldırma hızı, yapay sinir ağı modelleme