DOI: https://doi.org/10.1038/s41524-025-01524-6
تاريخ النشر: 2025-02-11
المؤلف: Xiaolong Pei وآخرون
الموضوع الرئيسي: خصائص الميكروهيكل لسبيكة الألمنيوم
طرق
في هذه الدراسة، قام الباحثون بتحسين عملية الصب بالضغط لجزء من سبائك الألمنيوم من خلال منهجية منظمة تتكون من ثلاث مراحل رئيسية. أولاً، حددوا حجم مجموعة البيانات المثالي من خلال إدخال معلمات عملية الضغط المختلفة في الدالة \( g(x) \) لإنشاء مجموعة بيانات تماثلية. وشمل ذلك أخذ عينات لتحقيق توازن بين دقة النموذج وحجم مجموعة البيانات، والتي استخدمت بعد ذلك لمزيد من التحسين.
تضمنت المرحلة الثانية جمع البيانات، حيث تم اختيار عينة تمثيلية من معلمات العملية باستخدام نهج أخذ العينات العشوائية من مكعب لاتيني (RLHS). تم إجراء تجارب الصب بالضغط لقياس قوة الشد النهائية (UTS) والانبعاث (EL) للصب. في المرحلة النهائية، تم تطوير نماذج متعددة من التعلم الآلي (ML) بناءً على مجموعة البيانات الأولية، وتم تحديد أفضل نموذج كنموذج بديل. تم استخدام هذا النموذج للتنبؤ بالمعلمات المثلى للعملية في مجموعات البيانات غير المسمى، والتي تم التحقق منها تجريبيًا. ثم تم دمج النتائج التجريبية مرة أخرى في مجموعة البيانات لتحسين النموذج البديل. استمر عملية التحسين بشكل تكراري حتى توافقت خصائص الصب مع متطلبات الإنتاج لـ UTS ≥ 225 ميجا باسكال و EL ≥ 10.5%، أو حتى لم يتم ملاحظة تحسينات كبيرة.
نتائج
في قسم النتائج، تقيم الدراسة أداء نماذج التعلم الآلي (ML) التي تم بناؤها من أحجام مجموعات بيانات مختلفة وطرق أخذ العينات، كما هو موضح في الشكل 3. تشير النتائج إلى أن النماذج التي تستخدم أخذ العينات من المكعب اللاتيني (RLHS) تفوقت باستمرار على تلك المعتمدة على أخذ العينات العشوائية والفاصلة، خاصة مع زيادة بيانات التدريب. ومع ذلك، كان أداء نماذج ML غير متسق بشكل ملحوظ مع مجموعات البيانات الأصغر، ويرجع ذلك أساسًا إلى المعلومات المحدودة التي تؤدي إلى ضعف القابلية للتعميم وزيادة الحساسية للضوضاء. على وجه الخصوص، أظهرت النماذج المدربة على مجموعات بيانات تحتوي على أقل من 20 حالة أداءً غير مستقر، بينما أدى زيادة حجم مجموعة البيانات من 15 إلى 25 إلى تحسين دقة النموذج بشكل كبير.
مع زيادة حجم مجموعة البيانات إلى ما يتجاوز 30، بدأ أداء النماذج التي تستخدم أخذ العينات العشوائية والفاصلة في التقارب مع أداء RLHS، مما يشير إلى أن مجموعات البيانات الأكبر تلتقط بشكل فعال العلاقات الأساسية بين المدخلات والمخرجات. على الرغم من التحسينات الملحوظة في الدقة مع مجموعات البيانات الأكبر، فإن القيود العملية حدت من جدوى استخدام مجموعات بيانات بحجم 500 و 2000. وبالتالي، اختار الباحثون حجم مجموعة بيانات أولية قدره 25، موازنين بين الحاجة إلى حجم بيانات كافٍ مقابل التكاليف التجريبية المرتبطة. كما اعترفت الدراسة بأنه بينما انحرفت مجموعة البيانات التي تم إنشاؤها بواسطة دالة فريدمان1 عن مجموعة البيانات الفعلية، تم إجراء تعديلات للتحكم في ميزات المدخلات وإدخال الضوضاء، مما يضمن متانة النتائج.
مناقشة
في هذه الدراسة، يتناول المؤلفون التحديات المتعلقة بتحسين عمليات الصب باستخدام التعلم الآلي (ML) مع مجموعات بيانات محدودة. يقدمون طريقة جديدة لأخذ العينات من المكعب اللاتيني مصحوبة بتحسين بايزي (RLHS-BO) لتعزيز كفاءة تحسين العمليات لتطبيقات الصب بالضغط، مستهدفين بشكل خاص صب أجزاء خزانات الوقود في المناجم. نجح نهجهم في تحسين عملية الصب باستخدام 25 عينة فقط، محققين تحسينات كبيرة في قوة الشد النهائية (UTS) والانبعاث (EL) بنسبة 17.6% و 18.4%، على التوالي، مقارنة بالقيم الأولية. تسلط الدراسة الضوء على فعالية RLHS-BO في تغطية مساحة المعلمات بشكل أكثر شمولاً من الطرق التقليدية، مع تقليل حجم البيانات المطلوبة بحوالي 50%.
علاوة على ذلك، يؤكد المؤلفون على أهمية القابلية للتفسير في نماذج ML، حيث يجمعون بين تفسيرات شابلي الإضافية (SHAP) ونمذجة المجال المرحلي (PFM) لتعزيز فهم الظواهر الفيزيائية التي تكمن وراء نتائج التحسين. لا تعمل دمج هذه الطرق على تحسين القابلية الفيزيائية لتفسير النتائج فحسب، بل يسمح أيضًا بتحديد المعلمات العملية الحرجة التي تؤثر على خصائص الصب. تظهر النتائج أن المنهجية المقترحة يمكن أن تقلل بشكل كبير من وقت دورة التحسين وتحسن الخصائص الميكانيكية للصب، مما يبرز إمكانية تطبيقها عبر عمليات الصب المختلفة.
DOI: https://doi.org/10.1038/s41524-025-01524-6
Publication Date: 2025-02-11
Author(s): Xiaolong Pei et al.
Primary Topic: Aluminum Alloy Microstructure Properties
Methods
In this study, the researchers optimized the squeeze-casting process for an aluminum alloy partition part through a structured methodology comprising three key stages. First, they determined the optimal dataset size by inputting various squeeze process parameters into the function \( g(x) \) to create an analog dataset. This involved sampling to balance model accuracy with dataset size, which was then used for further optimization.
The second stage involved data collection, where a representative sample of process parameters was selected using a Random Latin Hypercube Sampling (RLHS) approach. Squeeze-casting experiments were conducted to measure the ultimate tensile strength (UTS) and elongation (EL) of the castings. In the final stage, multiple machine learning (ML) models were developed based on the initial dataset, with the best model identified as the surrogate model. This model was used to predict optimal process parameters in unlabeled datasets, which were experimentally validated. The experimental results were then integrated back into the dataset to refine the surrogate model. The optimization process continued iteratively until the casting properties met the production requirements of a UTS ≥ 225 MPa and an EL ≥ 10.5%, or until no significant improvements were observed.
Results
In the results section, the study evaluates the performance of machine learning (ML) models constructed from varying dataset sizes and sampling methods, as illustrated in Figure 3. The findings indicate that models utilizing Latin Hypercube Sampling (RLHS) consistently outperformed those based on random and interval sampling, particularly as the training data increased. However, the performance of ML models was notably inconsistent with smaller datasets, primarily due to limited information leading to poor generalizability and heightened sensitivity to noise. Specifically, models trained on datasets with fewer than 20 instances exhibited unstable performance, while an increase in dataset size from 15 to 25 significantly enhanced model accuracy.
As the dataset size increased beyond 30, the performance of models using random and interval sampling began to converge with that of RLHS, suggesting that larger datasets effectively captured the essential input-output relationships. Despite the observed improvements in accuracy with larger datasets, practical constraints limited the feasibility of utilizing datasets of sizes 500 and 2000. Consequently, the researchers opted for an initial dataset size of 25, balancing the need for sufficient data volume against the associated experimental costs. The study also acknowledged that while the dataset generated by the Friedman1 function diverged from the actual dataset, adjustments were made to control input features and introduce noise, ensuring the robustness of the findings.
Discussion
In this study, the authors address the challenges of optimizing casting processes using machine learning (ML) with limited datasets. They introduce a revised Latin hypercube sampling method coupled with Bayesian optimization (RLHS-BO) to enhance the efficiency of process optimization for squeeze-casting applications, specifically targeting mine fuel tank partition castings. Their approach successfully optimized the casting process using only 25 samples, achieving significant improvements in ultimate tensile strength (UTS) and elongation (EL) by 17.6% and 18.4%, respectively, compared to initial values. The study highlights the efficacy of RLHS-BO in covering the parameter space more comprehensively than traditional methods, while also reducing the required data volume by approximately 50%.
Moreover, the authors emphasize the importance of interpretability in ML models, combining Shapley additive explanations (SHAP) with phase-field modeling (PFM) to enhance understanding of the physical phenomena underlying the optimization outcomes. The integration of these methods not only improves the physical interpretability of the results but also allows for the identification of critical process parameters influencing casting properties. The findings demonstrate that the proposed methodology can significantly reduce the optimization cycle time and improve the mechanical properties of castings, showcasing its potential applicability across various casting processes.