Polimer grafit elektrotlarla elektrokimyasal mikro işlemde çoklu yanıt modellemesi için fizik yönlendirmeli açıklanabilir makine öğrenmesi

Daha Küçük Parçalar, Daha Akıllı Makineler

Tıbbi implantlardan elektroniklerdeki küçük kanallara kadar modern ürünler, sert metallere kazınmış mikroskobik özelliklere dayanır. Bu yapıların temiz ve doğru şekilde üretilmesi zordur ve süreci iyileştirmek için yapılan her deney zaman ve para gerektirir. Bu çalışma, fiziği makine öğrenmesiyle birleştirmenin mühendislerin özel bir işleme yönteminin nasıl davranacağını tahmin etmelerine nasıl yardımcı olabileceğini; böylece daha az deneme ile daha iyi ayarlara ulaşılabileceğini gösteriyor.

Kesmeden Metalleri Şekillendirmek

Çalışma, metali kesmeden, kontrollü olarak çözündürerek şekillendiren bir yöntem olan elektrokimyasal mikro işlemede yoğunlaşıyor. Keskin, grafit bazlı bir takım, akışkan bir tuz çözeltisi içinde paslanmaz çeliğe çok yakın konumlandırılır ve kısa elektrik darbeleri elektrik alanın en güçlü olduğu bölgelerde metal yüzeyinin çözünmesine yol açar. Bu yaklaşım neredeyse hiç takım aşınması ve düşük mekanik gerilme ile çok küçük delikler ve kanallar üretir; bu nedenle havacılık bileşenleri, tıbbi cihazlar ve mikroelektronik için çekicidir. Ancak, gerilim, tuz konsantrasyonu ve darbe görev döngüsü gibi birkaç faktörün karmaşık biçimde etkileşmesi nedeniyle süreç kontrolü zordur.

Takım Malzemesinin Neden Önemli Olduğu

Araştırmacılar iki tür polimer grafit elektrotu karşılaştırdı: standart bir versiyon ve iç yapısını değiştirmek için çok düşük sıcaklıklarda soğutulmuş (kriyojenik işlem görmüş) bir versiyon. Mikroskop altında işlem görmemiş takım yüzeyi pürüzlü ve gözenekli görünürken, işlem görmüş takım daha düzgün ve homojen görünüyordu. Bu farklılıklar üretilen mikrodeliklerin şekline ve kalitesine yansıdı. İşlem görmemiş takımla açılan delikler girişte daha geniş, duvarlarda konikleşme ve daha pürüzlü yüzeyler gösterirken; işlem görmüş takımla elde edilenler daha dairesel, daha düzgün duvarlı ve daha pürüzlü olmayan yüzeylere sahipti. Bu gözlemler, takım durumunun metalin nasıl çözüneceği üzerinde büyük etkisi olduğunu doğruladı ve takım durumunun modellemeye fiziksel bir gerekçe ile dahil edilmesini sağladı.

Modele Fiziği Saygı Duymayı Öğretmek

Sadece gerilim ve tuz konsantrasyonu gibi ham ayarları makine öğrenmesi modeline vermek yerine ekip, sürecin gerçekte nasıl çalıştığını yansıtan ek giriş özellikleri oluşturdu. Elektrokimya yol göstericiliğinde, değişkenleri elektriksel yüklemenin genel şiddetini ve elektrik darbeleri ile çözeltinin etkileşimini temsil eden terimlerde birleştirdiler. Dikkatle tasarlanmış 34 deneylik küçük ama özenli bir set kullanarak, materyal kaldırma hızı, delikte takım boyutunu ne kadar aştığı (overcut), duvarların ne kadar konik olduğu ve yüzeyin ne kadar pürüzlüleştiği olmak üzere dört temel sonucu aynı anda tahmin eden topluluk modelleri eğittiler. Bu fizik yönlendirmeli modelleri standart polinom uyumları ve yalnızca temel girdileri kullanan modellerle karşılaştırdılar.

Modelin Kararlarının İçine Bakmak

Fizik yönlendirmeli modeller, geleneksel eşitliklerden ve yalnızca veriye dayalı versiyonlardan daha tutarlı şekilde daha doğru sonuçlar tahmin etti. Örneğin, en iyi model overcut varyansının yüzde 90’ından fazlasını ve yüzey pürüzlülüğü varyansının yaklaşık yüzde 87’sini açıkladı. Aynı derecede önemli olarak, araştırmacılar hangi girdilerin en çok etkilediğini görmek için açıklanabilir yapay zeka araçları kullandılar. Gerilim, darbe görev döngüsü ve elektrolit konsantrasyonunun birleşik etkisini kodlayan özellikler tahminlerde baskın çıktı ve elektrokimya beklentileriyle uyum gösterdi. Takımın durumu da geometrik doğruluk ve yüzey kalitesinin önemli bir belirleyicisi olarak ortaya çıktı. Artıkların kontrolleri ve karıştırılmış veri ile yapılan testler, kalan hataların modelin kaçırdığı gizli bir eğilimden ziyade çoğunlukla rastgele olduğunu doğruladı.

Daha İyi Ayarları ve Gelecekteki Takımları Yönlendirmek

Bir avuç iyi planlanmış deneyi güvenilir, fiziksel olarak temellendirilmiş bir tahmine dönüştürerek bu çalışma, süreç ayarlarını tamamen üretim ortamında keşfetmek yerine bilgisayarda araştırmanın bir yolunu sunuyor. Model, gerilim veya çözelti gücündeki değişikliklerin materyal kaldırma hızı, delik boyutu, koniklik ve pürüzlülük üzerindeki etkilerini gösteren düzgün haritalar üretebilir ve kriyojenik işlem görmüş takımlar kullanıldığında daha geniş kararlı çalışma bölgelerini vurgulayabilir. Mühendisler için bu, yeni işler için daha hızlı ayarlama, hız ile kalite arasındaki ödünler hakkında daha net anlayış ve elektrokimyasal mikro işlemde dijital ikizlere ve uyarlanabilir kontrole giden bir yol anlamına gelir.

Atıf: 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

Anahtar kelimeler: elektrokimyasal mikroişleme, fizik yönlendirmeli makine öğrenmesi, yüzey pürüzlülüğü, mikro-imalat, polimer grafit elektrot