[论文解读] 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 4

一句话总结

本研究利用监督式机器学习回归模型优化6061铝合金的搅拌摩擦焊（FSW）工艺参数。结果表明，随机森林回归模型的决定系数R²最高，达到0.926，预测的最优参数组合可实现94.2%的接头强度效率。

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.

研究动机与目标

• 确定6061铝合金搅拌摩擦焊（FSW）的最佳工艺参数，以最大化接头强度。
• 评估监督式机器学习回归算法在预测最优FSW参数方面的有效性。
• 确定决策树、随机森林和梯度提升三种机器学习模型中性能最佳者。
• 通过数据驱动的参数调优，实现接头强度效率的最大化，且无需使用填充材料。
• 提供一种基于最少实验数据的工业FSW工艺设计预测框架。

提出的方法

• 对厚度为5 mm的6061AA铝合金板材进行实验，控制FSW工艺参数：刀具材料、旋转速度、行走速度和轴向力。
• 通过拉伸试验收集机械性能数据，以评估接头强度效率。
• 基于实验数据训练三种监督式机器学习回归模型——决策树、随机森林和梯度提升。
• 使用决定系数（R²）评估模型性能，并识别最佳拟合算法。
• 通过预测旋转速度、行走速度和轴向力的最佳组合，实现工艺参数的优化。
• 通过实验拉伸试验结果验证预测结果，确认接头效率。

实验结果

研究问题

• RQ1 哪种监督式机器学习回归算法在预测6061AA最优FSW参数方面表现最佳？
• RQ2 FSW参数组合（旋转速度、行走速度、轴向力、刀具材料）中，哪一组能实现最高的接头强度效率？
• RQ3 机器学习模型能否在实验数据有限的情况下准确预测FSW接头性能？
• RQ4 在6061AA上使用优化FSW参数，可实现的最大接头强度效率是多少？
• RQ5 不同机器学习模型在FSW工艺优化预测精度方面如何比较？

主要发现

• 随机森林回归模型的决定系数（R²）达到最高值0.926，表明其在所测试算法中具有最佳预测拟合度。
• 经优化的FSW工艺实现了94.2%的最大接头强度效率，经拉伸试验测定。
• 梯度提升算法表现良好，但在预测精度方面仍不及随机森林。
• 决策树模型的R²值最低，表明其泛化能力和预测能力弱于集成模型。
• 本研究证实，机器学习回归方法可有效建模并优化轻质铝合金的FSW工艺。
• 结果表明，基于数据的参数优化可显著提升接头的机械性能，且无需使用填充材料。