Optimization of ZE41 hybrid composite density through an integrated hybrid ANN-GA and RSM models
تقترح هذه الدراسة إطار عمل متكامل يجمع بين منهجية سطح الاستجابة (RSM)، والشبكة العصبية الاصطناعية (ANN)، والخوارزمية الجينية (GA) لتحسين كثافة مركبات ZE41 الهجينة المدعمة بـ Ti₃SiC₂ وNiTi وأكسيد الجرافين، حيث نجحت في تحديد تركيبة تقلل الكثافة إلى 1.9086 جم/سم³ بدقة تنبؤية عالية وخطأ تجريبي منخفض.
في عالم علم المواد، يبحث المهندسون باستمرار عن مواد قوية بما يكفي لدعم جسر أو هيكل سيارة، ولكنها خفيفة بما يكفي لتوفير الوقود وتقليل الانبعاثات. وتعد سبائك المغنيسيوم مرشحاً رائعاً لهذه المهمة لأنها خفيفة جداً بطبيعتها، وغالباً ما تُستخدم بدلاً من المعادن الأثقل مثل الفولاذ أو الألومنيوم. ومع ذلك، فإن المغنيسيوم النقي قد يكون أحياناً ناعماً جداً أو هشاً للمهام الشاقة. ولإصلاح ذلك، يخلطه العلماء بجسيمات دقيقة أخرى، مما يخلق مادة هجينة تجمع بين خفة المغنيسيوم وقوة المكونات المضافة. ويكمكم التحدي في عملية الخلط نفسها: فإضافة هذه الجسيمات تغير وزن المادة وكثافتها بطرق معقدة، وإذا لم يكن المزيج مثالياً، فقد تتكون جيوب هوائية صغيرة داخل المنتج النهائي، مما يضعفه. ويتطلب إيجاد الكمية الدقيقة لكل مكون للحصول على الوزن المطلوب دون خلق عيوب عادةً مئات التجارب المكلفة والمستهلكة للوقت القائمة على التجربة والخطأ.
لقد نجح فريق من الباحثين في جامعة أداมา للعلوم والتكنولوجيا في إثيوبيا وجامعة هيتيت في تركيا في معالجة هذه المشكلة من خلال تطوير طريقة جديدة للتنبؤ بالوصفة المثالية لهذه المواد دون الحاجة إلى بناء كل نسخة منها أولاً. لقد ركزوا على سبيكة مغنيسيوم محددة تسمى ZE41 وخلطوها مع ثلاثة جسيمات تعزيز مختلفة: كربيد السيليكون والتيتانيوم، والنيكل والتيتانيوم، وأكسيد الجرافين. وبدلاً من الاعتماد على التخمين، استخدموا استراتيجية رقمية متطورة جمعت بين ثلاث أدوات قوية. أولاً، استخدموا طريقة إحصائية لرسم خريطة لكيفية تفاعل المكونات المختلفة. بعد ذلك، قاموا بتدريب برنامج حاسوبي، يُعرف باسم الشبكة العصبية الاصطناعية، لتعلم الأنماط المعقدة وغير الخطية المخفية في البيانات، تماماً مثل طالب يتعلم من كتاب مدرسي للتعرف على الأنماط بدلاً من مجرد حفظ الحقائق. وأخيراً، استخدموا خوارزمية جينية، وهي نوع من البحث الحاسوبي الذي يحاكي التطور الطبيعي، لغربلة ملايين التركيبات الممكنة للعثور على أفضل مزيج واحد يؤدي إلى أقل كثافة ممكنة.
اكتشف الباحثون أن ليس كل الجسيمات المضافة لعبت دوراً متساوياً في تحديد الوزن النهائي للمادة. فقد كان لجسيمات النيكل والتيتانيوم التأثير الأكبر في زيادة الكثافة، يليهما عن قرب كربيد السيليكون والتيتانيوم. وفي المقابل، ساهم أكسيد الجرافين، رغم كونه مادة عالية التقنية، بنسبة ضئيلة جداً في الوزن الإجمالي لأنه أُضيف بكميات صغيرة جداً وهو خفيف بطبيعته. ومن خلال تشغيل نماذجهم الرقمية، حدد الفريق تركيبة محددة من المكونات التي ستنتج أخف مركب ممكن مع الحفاظ على السلامة الهيكلية. اقترح النموذج الإحصائي أن المزيج الذي يحتوي على 2.5 بالمائة من كربيد السيليكون والتيتانيوم، و2.5 بالمائة من النيكل والتيتانيوم، و1 بالمائة من أكسيد الجرافين سيكون مثالياً. أما النموذج الحاسوبي الأكثر تقدماً، والذي يمكنه رؤية أعمق في العلاقات المعقدة بين المكونات، فقد اقترح وصفة مختلفة قليلاً: نفس كميات الجسيمين الأولين، ولكن مع 2 بالمائة من أكسيد الجرافين.
ولضمان أن تنبؤاتهم الرقمية لم تكن مجرد تمارين نظرية، عاد الباحثون إلى المختبر لاختبارها. لقد صنعوا المركبات فعلياً باستخدام الوصفات المحددة التي اقترحتها نماذجهم وقاسوا كثافتها الفعلية. وكانت النتائج قريبة بشكل ملحوظ من توقعات الكمبيوتر. وكان الفرق بين ما تنبأت به النماذج وما قاسه العلماء في المختبر صغيراً جداً، حيث تراوح بين 3 بالمائة و4.44 بالمائة فقط. ويؤكد هذا المستوى من الدقة أن النهج المتكامل الجديد يعمل. فهو يثبت أنه من خلال الجمع بين التحليل الإحصائي والتعلم الآلي المتقدم وخواراتزميات البحث التطورية، يمكن للمهندسين تجاوز العملية البطيئة والمكلفة القائمة على التجربة والخطأ. وتوفر هذه الطة خارطة طريق موثوقة لإنشاء أجزم خفيفة الوزن وعالية الأداء للسيارات والطائرات وغيرها من الهياكل، مما يضمن أن يكون المنتج النهائي أخف وزناً وأكثر كفاءة قدر الإمكان دون المساس بالقوة.
ملخص تقني: تحسين كثافة المركب الهجين ZE41 من خلال نماذج متكاملة هجينة لـ ANN-GA وRSM
بيان المشكلة أدى الطلب المتزايد على المواد الهيكلية خفيفة الوزن في قطاعات السيارات والفضاء والنقل إلى دفع الأبحاث نحو سبائك المغنيسيوم، وتحديداً سبيكة ZE41. وبينما توفر سبيكة ZE41 كثافة منخفضة وقابلية جيدة للصب، إلا أن شكلها المتجانس غالباً ما يفشل في تلبية متطلبات الأداء الهندسي المحددة. وتوفر المركبات المعدنية الهجينة (MMCs)، المعززة بأطوار متعددة، حلاً من خلال توفير آليات تقوية متكاملة. ومع ذلك، فإن تصنيع مركبات ZE41 الهجينة ذات خصائص الكثافة المرغوبة عبر الصب بالتحريك (stir casting) يعد أمراً صعباً بسبب التفاعلات المعقدة بين أطوار التعزيز، وتوزيع الجسيمات، والترابط البيني، وعيوب الصب مثل المسامية.
إن النهج التقليدي القائم على التجربة والخطأ لتحسين كسور التعزيز (النسب المئوية بالوزن) وظروف المعالجة هو أمر مكلف ومستهلك للوقت وغير فعال، لا سيما عندما تتفاعل متغيرات متعددة بشكل غير خطي. علاوة على ذلك، فإن الكثافة النظرية المحسوبة عبر "قاعدة الخلط" (Rule of Mixtures) غالباً ما تتباعد عن النتائج التجريبية بسبب العيوب الناتجة عن المعالجة. وهناك حاجة لمنهجية نظامية قائمة على البيانات للتنبؤ بدقة وتحسين كثافة مركبات ZE41 الهجينة المعززة بـ ثاني أكسيد التيتانيوم والسيليكون والكربون (Ti₃SiC₂)، والنيكل والتيتانيوم (NiTi)، وأكسيد الجرافين (GO).
المنهجية تقترح هذه الدراسة إطاراً متكاملاً يجمع بين منهجية سطح الاستجابة (RSM)، والشبكات العصبية الاصطناعية (ANN)، والخوارزميات الجينية (GA) لتحسين الكثافة النظرية لمركبات ZE41 الهجينة.
التصميم التجريبي: تم استخدام تصميم "بوكس-بنكن" (Box–Behnken Design - BBD) لتوليد التجارب. كانت العوامل المدخلة هي الكسور الوزنية لـ Ti₃SiC₂ (2.5–7.5%)، وNiTi (2.5–7.5%)، وGO (1–3%)، مع بقية المكونات لسبيكة ZE41.
حساب الكثافة: تم حساب الكثافة النظرية باستخدام قاعدة الخلط (ROM) بناءً على الكسور الحجمية المستمدة من النسب المئوية الوزنية وكثافات المكونات. وتم قياس الكثافة التجريبية باستخدام مبدأ أرشميدس لتقييم المسامية.
نمذجة RSM: تم تطوير نموذج حدودي من الدرجة الثانية لإنشاء العلاقة بين المتغيرات المدخلة والكثافة النظرية. واستُخدم تحليل التباين (ANOVA) لتقييم أهمية النموذج، وأهمية العوامل، وتأثيرات التفاعل.
نمذجة ANN: تم تدريب شبكة عصبية اصطناعية بهيكلية (3-10-1) (3 عصبونات مدخلة، 10 عصبونات مخفية، وعصبون مخرج واحد) على البيانات التجريبية لالتقاط العلاقات غير الخطية بين محتوى التعزيز والكثافة.
تحسين GA: تم دمج الخوارزمية الجينية (GA) مع نموذج ANN المدرب لإجراء تحسين عالمي، والبحث عن التركيبة المثلى لنسب الأوزان للتعزيز التي تقلل الكثافة النظرية ضمن الحدود التجريبية.
التحقق من الصحة: تم التحقق من المعلمات المثلى المستمدة من كل من RSM وANN-GA من خلال تجارب تأكيدية، ومقارنة الكثافات المتوقعة بالقيم المقاسة تجريبياً.
المساهمات والنتائج الرئيسية
أهمية العوامل: أشارت نتائج تحليل التباين (ANOVA) إلى أن NiTi كان له التأثير الأكثر أهمية على الكثافة (F = 23,012,890.00)، يليه Ti₃SiC₂ (F = 15,737,702.50). بينما أظهر GO مساهمة ذات دلالة إحصائية ولكنها ضئيلة (F = 194,602.50) بسبب كثافته الذاتية المنخفضة ونطاق وزنه الضيق.
أداء النماذج:
نموذج RSM: أظهر نموذج RSM موثوقية عالية بمعامل تحديد (R²) بلغ 99.9%. وحدد التركيبة المثلى كـ 2.5% Ti₃SiC₂، و2.5% NiTi، و1.0% GO، متوقعاً كثافة قدرها 1.9054 جم/سم³.
نموذج ANN: حقق نموذج ANN معامل ارتباط إجمالي (R) قدره 0.97033 ومتوسط مربع خطأ (MSE) منخفض جداً بلغ 1.0×10⁻¹⁵، مما يؤكد قدرته على نمذجة العلاقات غير الخطية المعقدة بفعالية.
تحسين GA: حدد نهج ANN-GA الهجين تركيبة مثلى مكونة من 2.5% Ti₃SiC₂، و2.5% NiTi، و2.0% GO، متوقعاً كثافة نظرية قدرها 1.90864 جم/سم³.
التحليل المقارن: قدمت كلتا الطريقتين محتويات مثلى متشابهة لـ Ti₃SiC₂ وNiTi (2.5% لكل منهما)، مع اختلاف فقط في محتوى GO المتوقع (1.0% لـ RSM مقابل 2.0% لـ ANN-GA). وبينما أظهر منهج ANN-GA قدرة فائقة على نمذجة العلاقات غير الخطية وإجراء التحسين العالمي، إلا أن عملية التحسين المحددة أنتجت قيمة كثافة أعلى قليلاً من مثالية RSM.
التحقق التجريبي: كشفت التجارب التأكيدية على تركيبات مختارة عن أخطاء في الكثافات المتوقعة والتجريبية تراوحت بين 3.00% و4.44%. وقد لوحظ أدنى خطأ (3.00%) في التركيبة التي تم تحسينها بواسطة طريقة ANN-GA (2.5% Ti₃SiC₂، 2.5% NiTi، 2.0% GO).
الأهمية والادعاءات يزعم البحث أن إطار عمل RSM–ANN–GA المتكامل يمثل منهجية فعالة ومنظمة لتحسين كثافة مركبات ZE41 الهجينة. وتسلط الدراسة الضوء على أن هذا النهج ينجح في استبدال طرق التجربة والخطأ التقليدية، مما يقلل بشكل كبير من عدد التجارب المطلوبة مع تحسين تكرار العملية ودقة التنبؤ.
ويؤكد المؤلفون أن النماذج المطورة توفر أداة موثوقة للتحكم في كثافة المركبات، وهو أمر بالغ الأهمية لتحقيق كفاءة الوزن في التطبيقات الهيكلية. ومن خلال التنبؤ بدقة بالكثافة النظرية وتحديد كسور التعزيز المثلى، يسهل هذا الإطار إنتاج أجزاء من مركبات ZE41 الهجينة خفيفة الوزن، ومنتظمة، وتقل فيها العيوب، بما يتناسب مع التصنيع على نطاق صناعي في قطاعات السيارات والفضاء. وتخلص الدراسة إلى أن نهج ANN-GA الهجين يقدم بديلاً قوياً لمشكلات التحسين الهندسي المعقدة حيث توجد تفاعلات غير خطية بين متغيرات متعددة.