用于聚合石墨电极电化学微加工多响应建模的物理引导可解释机器学习

更小的零件，更聪明的机器

从医疗植入物到电子器件中的微小通道，现代产品依赖于在坚硬金属中刻划的微观特征。要把这些结构加工得干净且精确并不容易，而且每一次用于微调工艺的实验都要耗费时间和资金。本研究展示了将物理学与机器学习结合，如何帮助工程师预测一种专用加工方法的行为，从而用更少的试验次数找到更优的工艺参数。

无需切削也能成形金属的方式

该研究聚焦于电化学微加工，这种方法不是通过切削而是通过可控溶解来成形金属。把一把以石墨为基的尖锐工具非常靠近不锈钢工件，置于流动的盐溶液中，短促的电脉冲会在电场最强的部位引起金属表面溶解。该方法能生成微小孔和通道，几乎不产生工具磨损且机械应力小，因此在航空航天元件、医疗器械和微电子领域很有吸引力。然而，这一过程难以控制，因为电压、盐浓度和脉冲占空比等多个因素以复杂方式相互作用。

为何工具材料很重要

研究人员比较了两种聚合石墨电极：一种是常规版本，另一种经低温处理（冷冻处理），即冷却到很低温度以改变其内部结构。在显微镜下，未经处理的工具表面看起来粗糙多孔，而经处理的工具表面更平滑、更均匀。这些差异反映在所加工微孔的形状和质量上。用未经处理工具加工的孔往往入口更宽、壁面渐缩且表面更粗糙，而用经处理工具加工的孔则更圆、更笔直且表面更光滑。这些观察证实了工具状态对金属溶解行为有重大影响，并为在建模中纳入工具状况提供了物理依据。

教会模型尊重物理规律

团队没有仅将电压和盐浓度等原始设定输入机器学习模型，而是构建了额外的输入特征以反映工艺的真实工作方式。在电化学原理的指导下，他们将变量组合成表示电加载总体强度以及电脉冲与溶液性质相互作用的项。利用一组小而精心设计的34个实验，他们训练了集成模型以一次性预测四个关键结果：材料去除速率、孔的超切（超出工具尺寸）程度、壁面锥度以及表面粗糙度。他们将这些物理引导的模型与传统多项式拟合和仅使用基本输入的模型进行了比较。

看清模型决策的内部

物理引导的模型在预测结果方面始终优于传统方程和纯数据驱动的版本。例如，最佳模型能解释超过90%的超切变异和约87%的表面粗糙度变异。同样重要的是，研究者使用可解释的人工智能工具来查看哪些输入最为关键。编码了电压、脉冲占空比和电解液浓度组合效应的特征在预测中占主导地位，这与电化学的预期一致。工具状况也显现为影响几何精度和表面质量的主要因素。残差检查和打乱数据的检验确认，剩余误差主要是随机的，而不是模型遗漏的潜在趋势的迹象。

指导更好的设定和未来的工具

通过把少量设计良好的实验转化为可靠且有物理依据的预测器，这项工作提供了一种可以在计算机上探索工艺参数而不完全依赖车间试验的方法。该模型可以生成平滑的映射，显示电压或溶液强度的变化将如何影响材料去除速率、孔径、锥度和粗糙度，并且在使用低温处理工具时突出更广泛的稳定工作区。对工程师而言，这意味着更快地调试新工件、对速度与质量权衡有更清晰的理解，以及在电化学微加工中迈向数字孪生和自适应控制的路径。

引用: 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

关键词: 电化学微加工, 物理引导的机器学习, 表面粗糙度, 微制造, 聚合石墨电极