Study on the Process and Multi-Objective Optimization of Laser Cleaning Anodic Oxide Film on 2024 Aluminum Alloy
تعمل هذه الدراسة على تحسين عملية التنظيف بالليزر لأغشية الأكسيد الأنودي على سبائك الألومنيوم 2024 من خلال مقارنة نماذج سطح الاستجابة والشبكة العصبية ذات الانتشار العكسي (BP)، وتوظيف خوارزمية اليراعة متعددة الأهداف المحسنة لتحديد المعلمات التي تعزز جودة السطح وكفاءة التنظيف في آن واحد.
المؤلفون الأصليون:wei Wang, huiyuan Li, yanlai Wang, xiaopeng Li, weijun Liu, hongyou Bian, po Du
تخيل أنك تحاول تنظيف وجه ساعة ثمينة وحساسة للغاية، وقد غطتها طبقة من الأوساخ المستعصية وغير المرئية. إذا فركت بقوة شديدة، فستخدش الزجاج؛ وإذا لم تفرك بقوة كافية، فستبقى الأوساخ مكانها. الآن، تخيل القيام بذلك ليس بقطعة قماش، بل بحزمة ضوئية فائقة الدقة. هذا هو عالم "التنظيف بالليزر"، وهي طريقة عالية التقنية تُستخدم لإزالة طبقات من المواد دون إلحاق الضرر بما تحتها. في صناعة الطيران، حيث تحلق الطائرات عبر هواء مالح ورطب، تطور الأسطح المعدنية للطائرات (وتحديداً سبيكة صلبة تسمى ألومنيوم 2024) طبقة "صدأ" واقية رقيقة تسمى "غشاء الأكسيد الأنودي". مع مرور الوقت، يمكن أن يتشقق هذا الغشاء ويسمح لمياه الملح بالتسلل، مما يسبب تآكل المعدن من الداخل. لإصلاح ذلك، يحتاج المهندسون إلى قذف هذا الغشاء بعيداً بشكل مثالي. لكن الجزء الصعب هنا هو أن الليزر لديه العديد من "المقابض" التي يمكن التحكم بها—مدى سطوع الضوء، وسرعة حركته، وكيفية مسحه عبر السطح. إذا ضبطت هذه المقابض بشكل خاطئ، فإما ستترك أوساخاً خلفك أو ستصهر المعدن. إن العثور على الإعداد المثالي يشبه محاولة العثور على إبرة في كومة قش وأنت معصوب العينين، ولهذا السبب يحتاج العلماء إلى حيل حاسوبية ذكية لمساعدتهم.
يتحدث هذا البحث عن فريق من الباحثين الذين قرروا حل لغز "ضبط المقابض" هذا لتنظيف معدن الطائرات. لقد عاملوا عملية التنظيف بالليزر كأنها وصفة معقدة. وبدلاً من التخمين في المكونات، قاموا بـ "خبز" 1ـ 17 دفعة مختلفة من التجارب، مع تغيير "درجة الحرارة" (قدرة الليزر)، و"سرعة التحريك" (سرعة المسح)، و"سرعة الانتقال" (مدى سرعة حركة الليزر) لمعرفة ما سيحدث لسطح المعدن. وقاموا بقياس ثلاثة أشياء: مدى خشونة السطح، وكمية الأكسجين المتبقية (والتي تخبرهم ما إذا كانت الأوساخ قد زالت)، ومدى قدرة المعدن على مقاومة الصدأ.
وللتنبؤ بأفضل وصفة دون الحاجة لخبز آلاف الكعكات، بنى الفريق "كرتين بلوريتين" حاسوبيتين مختلفتين. الأولى كانت نموذجاً رياضياً قياسياً (يسمى منهجية سطح الاستجابة)، وهو يشبه خريطة بسيطة. أما الثانية، فكانت برنامجاً حاسوبياً أكثر ذكاءً يشبه الدماغ (شبكة عصبية من نوع BP)، تم تدريبه بواسطة خوارزمية فائقة الذكاء تسمى MOEA/D-DE. فكر في هذا النموذج الثاني كطالب درس التجارب الـ 17 الأولى بجدية شديدة لدرجة أنه استطاع تخمين النتائج الجديدة بدقة مذهلة. وعندما اختبروا هاتين الكرتين البلوريتين، تبين أن النموذج "الذكي" كان المتنبئ الأفضل، خاصة عند محاولة التنبؤ بالنتائج لإعدادات لم يسبق له رؤيتها.
لكن معرفة النتائج ليست كافية؛ فقد كانوا بحاجة إلى إيجاد التوازن المثالي. فتنظيف المعدن بسرعة كبيرة قد يترك أوساخاً، لكن تنظيفه ببطء شديد قد يضر بالسطح. هذه مشكلة "متعددة الأهداف"، حيث تريد الفوز في ثلاث ألعاب مختلفة في آن واحد. ولحل هذه المشكلة، ابتكر الباحثون نسخة جديدة من لعبة حاسوبية تسمى "خوارزمية اليراعات". تخيل سرباً من اليراعات في غابة مظلمة تبحث عن أسطع ضوء. الطريقة القديمة لمحاكاة ذلك كانت تجعل اليراعات تعلق أحياناً في تجمع صغير، مما يفوت عليها الضوء الأفضل. النسخة الجديدة التي طورها الفريق، "خوارزمية اليراعات المحسنة متعددة الأهداف" (IMO-FA)، أعطت اليراعات خريطة أفضل (باستاستخدام تقنية تسمى أخذ عينات مكعب لاتين المربع) وجعلتها تتخذ خطوات أكبر وأكثر ذكاءً لاستكشاف الغابة بأكملها دون أن تعلق. ساعدهم هذا في العثور على "جبهة باريتو" (Pareto front)—وهي قائمة خاصة من الحلول الوسطى المثالية حيث لا يمكنك تحسين شيء واحد دون جعل شيء آخر أسوأ قليلاً.
ومن قائمة الحلول الوسطى المثالية هذه، استخدموا أداة نهائية لاتخاذ القرار (تسمى TOPSIS) لاختيار الإعداد الأفضل الوحيد. وكانت الوصفة الفائزة هي: قدرة تبلغ 184.28 واط، وسرعة مسح تبلغ 2447.10 مم/ثانية، وسرعة انتقال تبلغ 2.86 مم/ثانية.
وعندما اختبروا هذه "الوصفة الذهبية" على معدن حقيقي، كانت النتائج مبهرة. فمقارنة بمحاولة تنظيف جيدة ولكن غير مثالية جربوها سابقاً، جعلت الطريقة الجديدة السطح أكثر نعومة بنسبة 5.63%، وأزالت أكسجيناً أكثر بنسبة 21.43% (مما يعني زوال الغشاء)، وزادت من قدرة المعدن على مقاومة الصدأ (إمكانية التآكل الذاتي) بنسبة 2.12%. ويخلص البحث إلى أن هذا النهج الجديد الموجه حاسوبياً هو وسيلة موثوقة لتنظيف معدن الطائرات، مما يضمن أن يكون السطح نقياً وجاهزاً للرحلة التالية دون أي تخمين.
ملخص تقني: دراسة حول عملية والتحسين متعدد الأهداف للتنظيف بالليزر لغشاء الأكسيد الأنودي على سبيكة الألومنيوم 2024
بيان المشكلة تعد سبيكة الألومنيوم 2024 مادة هيكلية حيوية في تطبيقات الفضاء الجوي نظرًا لنسبة قوتها العالية إلى وزنها ومقاومتها للتآكل. ومع ذلك، تؤدي الخدمة الطويلة في البيئات البحرية إلى عيوب مثل الشقوق والثقوب، مما يسمح لأيونات الكلوريد بالتغلغل وتحفيز التآكل الكهروكيميائي. تتطلب الصيانة الدورية إزالة غشاء الأكسيد الأنودي السطحي. وبينما يوفر التنظيف بالليزر دقة ومرونة فائقتين مقارنة بالطرق التقليدية، فإن العملية تتضمن العديد من المعلمات القابلة للضبط (مثل: قدرة الليزر، سرعة المسح، وسرعة الانتقال). ويظل اختيار المعلمات المثلى لتحقيق أقصى قدر من كفاءة التنظيف وجودة السطح في آن واحد دون إتلاف الركيزة تحديًا تقنيًا. ويعتمد اختيار المعلمات التقليدي بشكل كبير على المعرفة التجريبية والتجارب المكثفة، وهو أمر مستهلك للوقت والموارد.
المنهجية تستخدم هذه الدراسة نهجًا منهجيًا يجمع بين التصميم التجريبي، والنمذجة التنبؤية، والتحسين المتقدم متعدد الأهداف:
التصميم التجريبي: تم استخدام تصميم "بوكس-بينكن" (Box-Behnken Design - BBD) لإجراء 17 مجموعة من تجارب التنظيف بالليزر على عينات من سبيكة الألومنيوم 2024 ذات أغشية أكسيد أنودي بسمك ~4 ميكرومتر. كانت المتغيرات المدخلة هي قدرة الليزر (170–200 واط)، سرعة المسح (1000–4000 مم/ثانية)، وسرعة الانتقال (1–4 مم/ثانية). وكانت مؤشرات الاستجابة هي خشونة السطح، ومحتوى الأكسجين (الذي يعكس إزالة الأكسيد)، وجهد التآكل الذاتي (الذي يعكس مقاومة التآكل).
النمذجة التنبؤية: تم بناء نموذجين لربط معلمات العملية بمؤشرات الاستجابة:
منهج سطح الاستجابة (RSM): تم تطبيق نموذج انحدار متعدد الحدود من الدرجة الثانية على البيانات التجريبية.
الشبكة العصبية MOEA/D-DE-BP: تم تحسين شبكة الانتشار العكسي (BP) باستخدام خوارزمية هجينة MOEA/D-DE (التي تجمع بين الخوارزمية التطورية متعددة الأهداف القائمة على التفكيك والتحسين بالتطور التفاضلي). صُمم هذا النموذج للتغلب على ميل شبكات BP التقليدية للوقوع في القيم المثلى المحلية. وقد تم تحديد بنية الشبكة لتكون 3-15-3 (3 مدخلات، 15 عقدة مخفية، 3 مخرجات).
مقارنة النماذج: تم التحقق من صحة كلا النموذجين مقابل البيانات التجريبية. أظهر نموذج MOEA/D-DE-BP قدرة تعميم ودقة تنبؤ فائقة مقارنة بنموذج RSM، وتم اختياره لعملية التحسين اللاحقة.
التحسين متعدد الأهداف: تم اقتراح خوارزمية اليراعة المحسنة متعددة الأهداف (IMO-FA) لحل مشكلة التحسين. وشملت التحسينات الرئيسية على خوارزمية اليراعة التقليدية ما يلي:
أخذ العينات بنظام هايبركيوب اللاتيني (LHS): استُخدم لضمان التوزيع الموحد وتجنب التكتل المحلي عند تهيئة المجتمع الإحصائي.
الخطوة المتغيرة التكيفية: تم دمج آلية خطوة حجم ديناميكية واستراتيجية قفز بخطوة كبيرة مستوحاة من "طيران ليفي" (Lévy flight) لموازنة الاستكشاف العالمي والاستغلال المحلي، مما يمنع التقارب المبكر.
اختيار مسافة الازدحام الصارمة: تم تنفيذ آلية اختيار بيئية مزدوجة (الفرز غير المسيطر عليه + مسافة الازدحام) للحفاظ على تنوع جبهة باريتو ومنع انكماش الحدود.
صنع القرار: استُخدمت طريقة وزن الإنتروبيا (EWM) لتحديد أوزان الأهداف، وطُبقت تقنية ترتيب التفضيل حسب التشابه مع الحل المثالي (TOPSIS) لاختيار الحل الأمثل الوحيد من جبهة باريتو.
المساهمات الرئيسية
التحسين الخوارزمي: تطوير خوارزمية IMO-FA، التي تعالج القيود المحددة لخوارزميات ذكاء السرب التقليدية (التكتل المحلي، التقارب المبكر، وتوزيع باريتو غير المتساوي) من خلال تهيئة LHS وآليات الخطوة التكيفية.
النمذجة الهجينة: التطبيق الناجح والتحقق من صحة شبكة BP المحسنة بواسطة MOEA/D-DE للتنبؤ بنتائج التنظيف بالليزر، مما أظهر قدرة تعميم أعلى من نماذج RSM القياسية.
إطار التحسين المتكامل: سير عمل كامل بدءًا من التصميم التجريبي وصولاً إلى التحسين متعدد الأهداف واتخاذ القرار القائم على TOPSIS، المصمم خصيصًا للأهداف المتضاربة والمعقدة لتنظيف الأغشية الأنودية بالليزر.
النتائج أسفرت عملية التحسين عن مجموعة المعلمات التالية:
متوسط القدرة: 184.28 واط
سرعة المسح: 2447.10 مم/ثانية
سرعة الانتقال: 2.86 مم/ثانية
أظهر التحقق التجريبي من هذه المعلمات مقابل عينة BBD عشوائية (رقم 2) وعينات غير منظفة ما يلي:
خشونة السطح: انخفضت بنسبة 5.63% (من 0.213 ميكرومتر إلى 0.201 ميكرومتر).
محتوى الأكسجين: انخفض بنسبة 21.43% (من 5.6% إلى 4.4%)، مما يشير إلى إزالة أكثر فعالية لغشاء الأكسيد.
جهد التآكل الذاتي: ارتفع بنسبة 2.12% (من -1.04 فولت إلى -1.018 فولت)، مما يشير إلى تحسن مقاومة التآكل.
دقة النموذج: كانت الأخطاء النسبية بين القيم المتوقدة والقيم التجريبية ضمن حدود 10% (2.43% للخشونة، 8.71% للأكسجين، 0.30% للجهد).
التحليل البنيوي المجهري: أكدت تحليلات SEM وEDS أن المعلمات المثلى أدت إلى سطح أكثر نعومة مع وجود عدد أقل من بقايا الأكسيد وكتل المعدن المعاد صهرها مقارنة بالعينات غير المحسنة. كما أكدت الاختبارات الكهروكيميائية (الاستقطاب الديناميكي للجهد وEIS) التفوق في مقاومة التآكل للسطح المحسن.
الأهمية تزعم الورقة أن المنهجية المقترحة تحل بفعالية العقبة التقنية المتمثلة في اختيار معلمات التنظيف بالليزر المثلى لسبيكة الألومنيوم 2024. ومن خلال تحقيق تحسين مزدوج في جودة التنظيف (انخفاض الخشونة ومحتوى الأكسجين) ومقاومة التآكل، توفر الدراسة إطارًا نظريًا وعمليًا موثوقًا للتطبيقات الهندسية. وتؤكد النتائج أن IMO-FA مع نموذج MOEA/D-DE-BP يقدم حلاً قويًا للتحسين متعدد الأهداف للعمليات، مما يضمن حماية الركيزة مع إزالة غشاء الأكسيد الأنودي بكفاءة. يدعم هذا العمل الاعتماد الأوسع للتنظيف بالليزر كتقنية إعادة تصنيع خضراء في قطاع الفضاء الجوي.