[論文レビュー] Process parameter optimization of Friction Stir Welding on 6061AA using Supervised Machine Learning Regression-based Algorithms

Akshansh Mishra, Eyob Messele Sefene+1 more|arXiv (Cornell University)|Aug 12, 2021

Advanced Welding Techniques Analysis参考文献 17被引用数 4

ひとこと要約

本研究では、教師あり機械学習回帰モデルを用いて6061アルミニウム合金の摩擦 stir 焊接（FSW）プロセスパラメータを最適化する。ランダムフォレスト回帰が最も高いR²値0.926を達成し、接合強度効率が94.2%に達する最適な設定を予測した。

ABSTRACT

The highest strength-to-weight ratio criterion has fascinated curiosity increasingly in virtually all areas where heft reduction is indispensable. Lightweight materials and their joining processes are also a recent point of research demands in the manufacturing industries. Friction Stir Welding (FSW) is one of the recent advancements for joining materials without adding any third material (filler rod) and joining below the melting point of the parent material. The process is widely used for joining similar and dissimilar metals, especially lightweight non-ferrous materials like aluminum, copper, and magnesium alloys. This paper presents verdicts of optimum process parameters on attaining enhanced mechanical properties of the weld joint. The experiment was conducted on a 5 mm 6061 aluminum alloy sheet. Process parameters; tool material, rotational speed, traverse speed, and axial forces were utilized. Mechanical properties of the weld joint are examined employing a tensile test, and the maximum joint strength efficiency was reached 94.2%. Supervised Machine Learning based Regression algorithms such as Decision Trees, Random Forest, and Gradient Boosting Algorithm were used. The results showed that the Random Forest algorithm yielded highest coefficient of determination value of 0.926 which means it gives a best fit in comparison to other algorithms.

研究の動機と目的

• 6061アルミニウム合金の摩擦 stir 焊接（FSW）における最適なプロセスパラメータを特定し、接合強度を最大化すること。
• 教師あり機械学習回帰アルゴリズムの有効性を、最適なFSWパラメータの予測において評価すること。
• 意思決定木、ランダムフォレスト、勾配ブースティングのうち、最も優れた性能を示すMLモデルを特定すること。
• 溶材を用いず、データ駆動型のパラメータチューニングにより、最大の接合強度効率を達成すること。
• 最小限の実験データで済む予測フレームワークを提供し、産業的FSWプロセス設計に応用すること。

提案手法

• 工具材料、回転速度、走行速度、軸方向力という制御されたFSWパラメータを用いて、5 mm 厚の6061AAアルミニウム合金シートで実験を実施した。
• 引張試験による機械的特性データを収集し、接合強度効率を評価した。
• 実験データを基に、意思決定木、ランダムフォレスト、勾配ブースティングの3つの教師あり機械学習回帰モデルを訓練した。
• モデルの性能を評価するために決定係数（R²）を用い、最も適合度の高いアルゴリズムを特定した。
• 回転速度、走行速度、軸方向力の組み合わせを予測することで、プロセスパラメータを最適化した。
• 実験的引張試験結果を用いて予測を検証し、接合効率を確認した。

実験結果

リサーチクエスチョン

• RQ1 6061AAの最適なFSWパラメータを予測するうえで、どの教師あり機械学習回帰アルゴリズムが最も優れているか？
• RQ2 回転速度、走行速度、軸方向力、工具材料の組み合わせの中で、どの条件が最も高い接合強度効率をもたらすか？
• RQ3 限られた実験データで、機械学習モデルはFSW接合性能を正確に予測できるか？
• RQ4 6061AAに最適化されたFSWパラメータを用いることで、得られる最大の接合強度効率はどの程度か？
• RQ5 異なるMLモデルは、FSWプロセス最適化における予測精度において、どのように比較されるか？

主な発見

• ランダムフォレスト回帰モデルが、テストされたアルゴリズムの中で最も高い決定係数（R²）値0.926を達成し、最も優れた予測適合度を示した。
• 最適化されたFSWプロセスにより、引張試験で測定された最大の接合強度効率が94.2%に達した。
• 勾配ブースティングアルゴリズムも優れた性能を示したが、予測精度においてランダムフォレストに劣った。
• 意思決定木は最も低いR²値を示し、アンサンブルモデルに比べて一般化能力および予測能力が弱いことが判明した。
• 本研究では、機械学習回帰が軽量アルミニウム合金のFSWプロセスを効果的にモデル化・最適化できることを確認した。
• 結果から、データ駆動型のパラメータ最適化が、溶材を用いずとも接合の機械的特性を顕著に向上させられることを示した。