Surface Roughness and Tool Wear Prediction in Machining of Nimonic 90 Through Machine Learning Under Various Lubrication Conditions

ملخص تقني: التنبؤ بخشونة السطح وتآكل الأداة في تشغيل سبيكة نيمونيك 90 باستخدام التعلم الآلي تحت ظروف تزييت متنوعة

بيان المشكلة
تُعد سبيكة نيمونيك 90 (Nimonic 90)، وهي سبيكة فائقة قائمة على النيكل وضرورية لتطبيقات الفضاء والتوربينات الغازية، تحدياً كبيراً في عمليات التشغيل نظراً لانخفاض موصليتها الحرارية، وتصلدها العملي السريع، وتقاربها الكيميائي العالي مع مواد الأدوات. هذه الخصائص تصنفها كمادة "صعبة التشغيل"، مما يؤدي إلى تآكل مفرط للأداة، وتلين حراري، وسوء في سلامة السطح. إن التحسين التجريبي التقليدي مكلف للغاية بسبب التكلفة العالية للسبائك الفائقة ومحدودية أحجام العينات الصغيرة في التقاط ديناميكيات التشغيل المعقدة وغير الخطية. علاوة على ذلك، غالباً ما تفشل طرق التزييت التقليدية في إدارة الحرارة الشديدة المتولدة عند واجهة التماس بين الأداة والرايش، كما تعاني النماذج القائمة على البيانات الموجودة من ندرة البيانات التجريبية النموذجية في أبحاث تشغيل السبائك الفائقة.

المنهجية
استخدمت الدراسة نهجاً متعدد الأوجه يجمع بين التشغيل التجريبي، وتوصيف التزييت المتقدم، وتعزيز البيانات، ونمذجة التعلم الآلي (ML).

• التصميم التجريبي: أُجريت تجارب الخراطة على نيمونيك 90 باستخدام مصفوفة تاغوتشي (Taguchi L19) المتعامدة. تمت مقارنة ثلاثة بيئات تزييت: التزييت بالكمية الدنيا (MQL) القائم على الزيت التقليدي، والتزييت بـ (MQL) المدعوم بالسائل الأيوني (IL) باستخدام [1-Butyl-3-Methyl Imidazolium tetrafluoroborate]، والتبريد بالنيتروجين السائل (LN₂) المبرد. تم تغيير سرعات القطع (410، 620، 830 م/دقيقة) ومعدلات التغذية (0.1، 0.5 مم/لفة) مع عمق قطع ثابت (0.5 مم).
• التوصيف: تم تحليل المزلقات من حيث الرقم الهيدروجيني (pH)، وجهد زيتا (zeta potential)، وزوايا التلامس. شملت استجابات التشغيل خشونة السطح ($R_a$)، وتآكل الجانب ($V_b$)، ودرجة حرارة القطع. كما فُحصت مورفولوجيا الرايش، والبنية المجهرية، وآليات تآكل الأداة عبر المجهر الإلكتروني الماسح (SEM)، والمجهر الضوئي، واختبار الصلادة الدقيقة.
• تعزيز البيانات: لمعالجة محدودية مجموعة البيانات الأولية (18 عينة)، استخدم المؤلفون إطار انحدار العملية الغاوسية (GPR) لتعزيز البيانات احتماليًا. وبينما يشير الملخص إلى إثراء حجم العينات إلى 27، إلا أن القسم 3.2.1 ينص صراحةً على أن مجموعة البيانات المعززة النهائية المستخدمة للتمثيل الإحصائي تكون قد اعتمدت على الـ 18 عينة الأصلية، مما يسد الفجوة بين التجارب المنفصلة والنمذجة التنبؤية المستمرة.
• نمذجة التعلم الآلي: تم تدريب وتقييم أربع خوارزميات وهي: الانحدار الخطي (LR)، وآلات ناقلات الدعم (SVM)، والغابة العشوائية (RF)، وتعزيز التدرج الشديد (XGBoost) باستخدام التحقق المتقاطع خماسي الطيات (5-fold cross-validation). هدفت النماذج إلى التنبؤ بـ $R_a$ و $V_b$ بناءً على معاملات الإدخال.
• التحسين: أُجري تحليل جبهة باريتو (Pareto frontier) لتحديد نظم التشغيل المثلى التي توازن بين الإنتاجية وسلامة السطح.

النتائج الرئيسية

• أداء التزييت: حقق التشغيل بالنيتروجين السائل المبرد (LN₂) أفضل النتائج، حيث سجل أدنى خشونة سطح ($R_a$ = 0.45–0.82 ميكرومتر) وأدنى تآكل للأداة. وتحديداً، قلل LN₂ من تآكل الجانب بنسبة 46% مقارنة بالتشغيل القائم على الزيت، وقلل إجمالي حجم التآكل بنسبة 73% مقارنة بالتشغيل بالزيت. أظهر التزييت بـ (MQL) المدعوم بالسائل الأيوني قدرة أفضل على البلل (زاوية تلامس 39.6° مقابل 51.8° للزيت) وشكل أغشية احتكاكية واقية، مما أدى إلى أداء متوسط بين التزييت بالزيت والتبريد بالنيتروجين السائل.
• التغيرات المجهرية والمورفولوجية: أدى التبريد بـ LN₂ إلى الحصول على أدق بنية حبيبية (8–12 ميكرومتر) مقارنة بـ IL (15–20 ميكرومتر) والزيت (25–30 ميكرومتر)، مما يشير إلى تعزيز التجانس المجهري. كشف تحليل مورفولوجيا الرايش أن التبريد بـ LN₂ قلل من تشكل الأسنان المنشارية والتآكل الكاشط، مما أنتج رقائق أكثر سلاسة واستمرارية مع سمك أقل.
• أداء التعلم الآلي: تفوق نموذج XGBoost على جميع الخوارزميات الأخرى، محققاً $R^2$ قدره 0.948، وRMSE قدره 0.122، وMAE قدره 0.094 للتنبؤ بخشونة السطح. وقد تجاوز هذا بشكل كبير نموذج الانحدار الخطي ($R^2$ = 0.627)، مما يؤكد الطبيعة غير الخطية العالية لعملية التشغيل. حدد تحليل أهمية الميزات أن معدل التغذية هو المحرك الرئيسي لخشونة السطح (أهمية نسبية 0.68) وأن بيئة التبريد هي العامل المهيمن لتآكل الأداة (أهمية نسبية 0.71).
• التحسين: حدد تحليل جبهة باريتو "النظام الذهبي" عند سرعة قطع 620 م/دقيقة، ومعدل تغذية 0.1 مم/لفة، وتبريد بـ LN₂، مما يوازن بين جودة السطح دون الميكرونية ($R_a$ = 0.82 ميكرومتر) مع إطالة عمر الأداة.

الأهمية والادعاءات
يدعي البحث أنه يضع نموذجاً قائماً على البيانات للتشغيل الدقيق للسبائك عالية الأداء. وتتمثل مساهماته الرئيسية في:

1. التحقق من استراتيجيات التبريد والسيولة الأيونية: إثبات أن التبريد بـ LN₂ والتزييت بـ (MQL) المدعوم بالسائل الأيوني يوفران إدارة احتكاكية وحرارية متفوقة مقارنة بالتزييت التقليدي بالزيت لنيمونيك 90.
2. إطار تعزيز البيانات: التطبيق الناجح لـ GPR للتغلب على مشكلة "البيانات الصغيرة" المتأصلة في تجارب السبائك الفائقة المكلفة، مما يسمح بتدريب نماذج قوية دون إدخال تناقضات فيزيائية.
3. النمذجة التنبؤية: إثبات أن نماذج الأشجار التجميعية، وتحديداً XGBoost، فعالة للغاية في التقاط التفاعلات الديناميكية الحرارية المعقدة لتشغيل السبائك الفائقة، متفوقة على النماذج الخطية وغيرها من النماذج غير الخطية.
4. القابلية للتطبيق الصناعي: تسليط الضوء على الكفاءة الحسابية للإطار المطور (زمن التدريب < 0.5 ثانية، بصمة الذاكرة < 20 ميجابايت)، مما يجعله مناسباً للحوسبة الطرفية (edge computing)، والتحسين العملي في الوقت الفعلي، والدمج في أنظمة التوأم الرقمي (Digital Twin) للتشغيل الذاتي في قطاع الطيران.

تخلص الدراسة إلى أن دمج استراتيجيات التزييت المتقدمة مع النمذجة التنبؤية القائمة على التعلم الآلي يوفر مساراً قابلاً للتطبيق نحو عمليات تصنيع مستدامة، ذاتية التشغيل، ومحسنة اقتصادياً لمكونات الطيران.