使用统计和机器学习技术优化并预测Al 6061 T6摩擦搅拌焊中的峰值温度

为什么保持焊缝温度低很重要

从飞机到电动汽车，许多机械依赖需要连接且不能被削弱的铝部件。摩擦搅拌焊是一种常用的方法，因为它在不完全熔化金属的情况下将工件搅拌在一起。但如果工艺温度过高，铝会软化、失去强度甚至熔化。本文探讨如何利用计算模拟、合理的统计方法和机器学习来预测并控制常用合金Al 6061 T6焊接过程中达到的最高温度，以便制造商在避免热损伤的同时获得强健且一致的接头。

这种固态焊接的工作原理

在摩擦搅拌焊中，一个旋转的工具，外形像短销并带有宽肩，被压入两块板材之间的接缝并沿缝向前移动。摩擦和塑性搅拌使金属产生热量并软化，从而在不变为液态的情况下实现混合和锻造结合。对于Al 6061 T6，这个温度的“甜点”低于熔点但足够高以实现良好混合。如果峰值温度接近或超过熔点的大约四分之五，合金中的硬化相颗粒可能粗化或金属开始局部熔化，导致软化区域和降低的机械性能。因此，控制峰值温度对于安全性和耐久性至关重要。

同时测试多个参数

研究者关注了焊工可以调整的七个参数：工具材料、销直径、肩直径、转速、进给速度、施加到工具上的轴向力以及工具与板材之间的摩擦系数。他们没有进行成千上万次实验，而是采用Taguchi设计——一种统计捷径，挑选出精心设计的32组组合来揭示哪些参数最重要。对每一组组合，他们在COMSOL中建立了三维计算模型，模拟旋转工具产生的热量以及这些热量如何在铝板和后托夹具中扩散。随后，他们将部分模拟结果与改装铣床上进行的实验相比对，实验中使用热电偶测量焊缝周围不同点的温度。模拟与测量的峰值温度在约7%范围内吻合，这增加了模型捕捉真实热行为的信心。

找出导致过热的主要因素

在掌握模拟数据后，团队应用统计工具弄清哪些工艺参数对峰值温度影响最大。通过Taguchi分析和方差分析（ANOVA），他们发现明显的主导因素：轴向力和工具转速。更高的转速和更大的下压力会产生更多的摩擦加热和塑性变形，从而推动峰值温度上升；在一些模拟情况下，焊区温度超过了600°C，超出了该合金被视为安全的熔化温度范围。销和肩尺寸的变化通过改变接触面积产生次要影响，而工具材料的选择和摩擦系数的小幅变化影响相对较小。这些结果表明，精确控制转速和压力是将焊缝温度保持在不致损伤水平的最有效手段。

让神经网络预测热量

为超越静态经验法则，作者训练了一个简单的人工神经网络，去学习焊接设定与峰值温度之间的关系。他们使用模拟结果作为样本，输入六个最相关的参数（除工具材料外的所有可调项），并训练网络输出预测的最高温度。通过将数据划分为训练、验证和测试集并使用标准反向传播方法，网络学会了非常高精度地再现模拟结果：其预测与模拟的平均差约为1%，优于Taguchi回归和基于ANOVA公式的3–4%误差。这表明即便在相对较小的数据集上，设计良好的神经网络也能捕捉到简单模型遗漏的参数间微妙相互作用。

对实际焊接的意义

研究得出结论，有限元模拟、统计设计和神经网络的结合为使摩擦搅拌焊更安全、更高效提供了强大的工具箱。通过识别轴向力和转速为主要热源，并提供一个快速的峰值温度预测器，该方法可以指导工程师选择既能避免过热又能保证良好接头的工艺参数。在实际层面，这意味着更少的缺陷、更长寿命的部件，以及在航空、汽车和其他依赖轻质铝结构的行业中减少生产线上的反复试验。

引用: Anis, A., Shakaib, M. & Hanif, M.S. Optimization and prediction of peak temperature in friction stir welding of Al 6061 T6 using statistical and machine learning techniques. Sci Rep 16, 7901 (2026). https://doi.org/10.1038/s41598-025-03217-y

关键词: 摩擦搅拌焊, 铝合金, 热控, 工艺优化, 神经网络建模