基于径向基函数的替代模型与机器学习在搅拌摩擦增材制造机械性能预测中的应用：面向不同 AA6061/AA7075 铝合金的研究。

这对未来金属零件有何重要性

现代汽车和飞机需要既强且轻、又能快速生产的金属零件。一种名为搅拌摩擦增材制造（FSAM）的有前景技术可以在不熔化金属的情况下堆叠层片，从而避免传统3D打印的许多缺陷。但通过大量试错实验来调整合适的工艺参数既昂贵又耗时。本研究展示了如何将少量实际测试与数学插值和机器学习相结合，帮助工程师探索在混合铝合金零件中哪些 FSAM 参数可能带来更高的强度和硬度——同时明确区分哪些是预测结果、哪些仍需在实验室中验证。

通过搅拌构建零件，而非熔化

FSAM 是一种固态工艺：旋转工具压入叠放的金属板并沿其移动，产生的摩擦热使材料软化但不熔化。随着工具前进，它将新鲜材料搅拌并逐层结合到结构中。由于金属从未完全熔化，FSAM 避免了熔化型3D打印常见的孔隙和裂纹，并能产生类似锻造成品的细小均匀晶粒。作者重点研究两种广泛使用的铝合金 AA6061 和 AA7075 的交替层（6061 在 7075 之上与 7075 在 6061 之上两种堆叠顺序），以研究工艺参数如何影响抗拉强度和维氏硬度。

仅用九次试验得到更多信息

一个主要挑战是数据稀缺：全尺度 FSAM 实验成本高、耗时，并受设备可用性和安全限制。本研究仅进行了九次精心选择的实验（Taguchi L9 设计），变化三个旋钮：工具转速、横移速度和倾角。为填补这九个点之间的空白，团队使用了一种称为径向基函数（RBF）的数学插值技术。RBF 将测得的数据构建为三参数空间中的平滑表面。基于这个替代表面，他们生成了882个合成数据点，有效地创建了一个关于在测试的速度和角度区间内强度与硬度如何变化的密集“虚拟”地图。

让模型学习替代模型，而非现实世界

在这个扩充到891点的数据集（9 个真实 + 882 个合成）上，作者训练了三种不同的回归模型：高斯过程回归（GPR）、支持向量回归（SVR）和贝叶斯岭回归。这些模型被要求根据三个工艺参数预测两种堆叠顺序下的抗拉强度和硬度。GPR 表现出色，能以通常低于1%的误差再现基于 RBF 的数值，并在合成集上获得较高的 R²（通常高于0.85）。SVR 表现为适度且大多系统性低估，贝叶斯岭（线性方法）在强非线性行为上尤其是硬度预测上表现较差。关键在于，作者强调这种近乎完美的表现说明模型已很好地学习了 RBF 替代面；但这并不能证明它们已涵盖真实 FSAM 实验中的所有复杂变异性。

在这些条件下哪些参数最重要？

为了使模型可解释，研究采用了 SHAP（SHapley 加性解释），为每个预测分配每个输入参数的重要性分数。在合成设计空间内，工具转速成为两种堆叠顺序下抗拉强度的主导因子，其次是横移速度，倾角通常位列第三。对于硬度，情况更为平衡：转速和横移速度的重要性会随着6061在7075之上或反之而互换。分析还突出显示堆叠顺序本身的重要性——在相似工艺条件下，7075 在 6061 之上的配置往往达到更高的强度和硬度，这与 AA7075 更高的基线强度一致。

该框架能做什么与不能做什么

为检验现实性，作者对原始九次试验进行了留一验证。那里出现的误差为几个百分点——比合成点上的误差大得多——表明真实测量更有噪声，且替代模型尚不能被视为真实数据。作者对这一局限性有明确说明：他们的框架是一种在仅有少量实验的情况下探索趋势和识别有前景参数区域的方法。从合成地图中选出的任何“最优”设置在此阶段仍是需要独立实验验证的假说。尽管如此，该方法为其他数据稀缺的制造问题提供了一个可重复使用的蓝图，将稀疏实验、平滑插值、概率型机器学习与可解释分析相结合，以指导更智能的后续试验而不是盲目试错。

引用: 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

关键词: 搅拌摩擦增材制造, 铝合金, 替代建模, 高斯过程回归, 合成数据