Sürtünme karıştırmalı eklemeli imalatta mekanik özellik tahmini için RBF destekli vekil modelleme ve makine öğrenimi: Farklı AA6061/AA7075 alüminyum alaşımlarına uygulama.

Geleceğin metal parçaları için neden önemli

Modern otomobiller ve uçaklar, güçlü, hafif ve hızlı üretilebilen metal parçalara ihtiyaç duyuyor. Sürtünme karıştırmalı eklemeli imalat (FSAM) adı verilen umut verici bir teknik, alüminyum katmanları eritmeden üst üste koyarak geleneksel 3B baskının birçok kusurunu önleyebiliyor. Ancak doğru proses ayarlarını belirlemek için çok sayıda deneme-yanılma deneyini yürütmek maliyetli ve yavaştır. Bu çalışma, az sayıda gerçek testin matematiksel enterpolasyon ve makine öğrenimi ile birleştirilmesinin, mühendislerin karışık alüminyum parçalarında hangi FSAM ayarlarının daha iyi mukavemet ve sertlik verebileceğini keşfetmelerine nasıl yardımcı olabileceğini gösteriyor—aynı zamanda hangi sonuçların tahmin olduğunu ve hangilerinin hâlâ laboratuvarda kanıtlanması gerektiğini açıkça ortaya koyuyor.

Parçaları eritmek yerine karıştırarak inşa etmek

FSAM bir katı hâl süreçtir: dönen bir takım üst üste konmuş metal levhalara baskı yapar ve üzerinde hareket ederek malzemeyi yumuşatan ama eritmeyen sürtünme ısısı üretir. Takım ilerledikçe, taze malzemeyi yapı içine karıştırır ve katman katman bağlar. Metal hiçbir zaman tamamen erimediği için FSAM, füzyon tabanlı 3B baskıda görülebilen gözeneklilik ve çatlamaları önler ve dövme metallere benzer ince, homojen taneler üretebilir. Yazarlar, proses parametrelerinin nihai çekme dayanımı ve Vickers sertliği nasıl etkilediğini incelemek için iki yaygın alüminyum alaşımı olan AA6061 ve AA7075’in birbirini izleyen katmanlarını (6061-üzerinde-7075 ve 7075-üzerinde-6061 olmak üzere iki istif düzeni) odak noktası yapıyorlar.

Sadece dokuz deneyle daha fazlasını yapmak

Temel bir zorluk veri kıtlığıdır: tam ölçekli FSAM deneyleri pahalı, zaman alıcıdır ve makine erişimi ile güvenlik kısıtlarıyla sınırlıdır. Bu çalışmada, takım dönüş hızı, ilerleme hızı ve tilt açısını değiştiren üç ayarı varyasyonlu olarak içeren dikkatle seçilmiş yalnızca dokuz deney (Taguchi L9 dizaynı) yapıldı. Bu dokuz nokta arasındaki boşlukları doldurmak için ekip, radyal baz fonksiyonu (RBF) enterpolasyonu olarak bilinen matematiksel bir teknik kullandı. RBF ölçülen verileri alıp üç parametreli uzay boyunca düzgün bir yüzey oluşturur. Bu vekil yüzeyden 882 sentetik veri noktası üreterek, hızlar ve açılar için test edilen pencere içinde mukavemet ve sertliğin nasıl değişebileceğine dair yoğun bir “sanal” harita yaratıldı.

Modelleri dünyayı değil vekili öğrenmeye öğretmek

Bu zenginleştirilmiş 891 noktalık veri kümesi (9 gerçek + 882 sentetik) üzerinde yazarlar üç farklı regresyon modelini eğitti: Gaussian Süreç Regresyonu (GPR), Destek Vektör Regresyonu (SVR) ve Bayesyen Ridge Regresyonu. Bu modellerden, üç proses parametresi verildiğinde her iki istif sırası için de çekme dayanımı ve sertliği tahmin etmeleri istendi. GPR öne çıktı; RBF tabanlı değerleri sıklıkla %1’in altında hatalar ve sentetik set genelinde tipik olarak 0.85’in üzerinde yüksek R² skorları ile yeniden üretti. SVR mütevazı, çoğunlukla sistematik bir düşük tahmin gösterdi ve doğrusal bir yöntem olan Bayesyen Ridge, özellikle sertlik için güçlü doğrusal olmayan davranışla başa çıkmakta zorlandı. Kritik olarak, yazarlar bu neredeyse kusursuz performansın modellerin RBF vekilini çok iyi öğrendiği anlamına geldiğini vurguluyor; bu durum henüz gerçek FSAM deneylerinin tüm karmaşık değişkenliğini yakaladıklarını kanıtlamıyor.

Bu koşullar altında hangi ayarlar en önemli?

Modelleri yorumlanabilir kılmak için çalışma, her bir tahmin için her girdi parametresine bir önem puanı atayan SHAP (SHapley Additive exPlanations) aracını kullanıyor. Sentetik tasarım uzayı içinde takım dönüş hızı, her iki istif düzeninde de çekme dayanımı için baskın etken olarak ortaya çıkıyor; ilerleme hızı ikinci sırada ve tilt açısı genelde uzak üçüncü konumda kalıyor. Sertlik için durum daha dengeli: 6061’in 7075’in üstünde olup olmamasına bağlı olarak dönüş ve ilerleme hızları önem açısından yer değiştiriyor. Analiz ayrıca istif sırasının kendisinin de önemli olduğunu vurguluyor—7075-üzerinde-6061 konfigürasyonu benzer işlem koşulları altında genellikle daha yüksek dayanım ve sertliğe ulaşıyor; bu da AA7075’in daha yüksek temel dayanımı ile tutarlı.

Bu çerçeve ne iddia edebilir ne edemez

Gerçekçiliği kontrol etmek için yazarlar orijinal dokuz deney üzerinde tekli çıkışlı (leave-one-out) testler yapıyor. Oradaki hatalar sentetik noktalardakilerden çok daha büyük olan birkaç yüzde puan düzeyinde—bu da gerçek ölçümlerin daha gürültülü olduğunu ve vekilin henüz yerleşik gerçeklik (ground truth) olarak kabul edilemeyeceğini gösteriyor. Yazarlar bu sınırlamayı açıkça belirtiyor: onların çerçevesi, yalnızca birkaç deney bulunduğunda eğilimleri keşfetmek ve parametre uzayının umut verici bölgelerini tanımlamak için bir yöntemdir. Sentetik haritalardan seçilen herhangi bir “optimal” ayar şu aşamada hâlâ bağımsız deneysel doğrulamaya ihtiyaç duyan bir hipotezdir. Buna rağmen, bu yaklaşım, seyrek deneyler, düzgün enterpolasyon, olasılıksal makine öğrenimi ve açıklanabilir analizi birleştirerek kör deneme-yanılma yerine daha akıllı izleme testlerine rehberlik eden yeniden kullanılabilir bir şablon sunuyor.

Atıf: 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

Anahtar kelimeler: sürtünme karıştırmalı eklemeli imalat, alüminyum alaşımlar, vekil modelleme, Gaussian süreç regresyonu, sentetik veri