Short-time solution heat treatment of recycled A383 HPDC alloy: microstructure–property relationships and ensemble machine learning analysis

Resumen Técnico: Tratamiento Térmico de Solución de Corto Tiempo para la Aleación A383 de HPDC Reciclada

Planteamiento del Problema
Las aleaciones de fundición a presión de cámara fría (HPDC) A383 (Al–Si–Cu) recicladas ofrecen ventajas significativas en costos, pero presentan desafíos únicos para el tratamiento térmico convencional. La solidificación rápida inherente al proceso de HPDC crea una microestructura heterogénea que contiene capas de enfriamiento refinadas, subsuperficies enriquecidas con solutos y distribuciones complejas de porosidad. Además, las variantes recicladas contienen niveles elevados de intermetálicos ricos en Fe (como la $\beta$-Al$_5$FeSi). Los programas de tratamiento térmico de solución (SHT) convencionales, típicamente realizados por encima de los 500 °C durante periodos prolongados, a menudo inducen un severo ampollamiento superficial, distorsión y dispersión de propiedades en componentes de HPDC debido a la expansión de gases atrapados (aire, hidrógeno y vapores de lubricantes de matriz). Si bien se han propuesto conceptos de "tratamiento térmico rápido" para mitigar el ampollamiento, la evolución microestructural específica y la respuesta mecánica de la A383 reciclada bajo condiciones de SHT de corto tiempo y baja temperatura aún no se comprenden suficientemente. Adicionalmente, existe una falta de marcos basados en datos para optimizar estas ventanas de procesamiento.

Metodología
El estudio empleó un enfoque experimental sistemático combinado con un análisis de aprendizaje automático (ML) de conjunto:

• Material y Procesamiento: La aleación A383 reciclada fue fundida mediante HPDC de cámara fría. Los especímenes se sometieron a un tratamiento térmico de solución a una temperatura fija de 490 °C (dentro de la ventana libre de ampollas) durante duraciones que variaron de 15 a 180 minutos (específicamente 15, 30, 60, 90, 120 y 180 min), seguido de un enfriamiento rápido en agua (quenching).
• Caracterización:
  • Propiedades Mecánicas: Se realizaron pruebas de dureza, conductividad eléctrica y tracción (UTS, YS, elongación). Se derivaron los parámetros de endurecimiento por deformación ($n$ y $K$) utilizando la relación de Hollomon.
  • Análisis Microestructural: Se utilizaron imágenes ópticas y SEM para cuantificar la morfología del Si eutéctico (relación de aspecto, área, redondez) e intermetálicos ricos en Fe. Los barridos de línea EDS rastrearon la homogeneización de Cu a través de las dendritas de $\alpha$-Al. La porosidad y el ampollamiento se monitorearon para asegurar la validez del proceso.
  • Modelado Cinético: La cinética aparente de ablandamiento y redistribución de solutos se analizó utilizando modelos de tipo Avrami aplicados a los datos de dureza y conductividad.
• Aprendizaje Automático (ML): Se entrenaron cuatro modelos de regresión basados en árboles (Árbol de Decisión, Random Forest, AdaBoost y XGBoost) sobre el conjunto de datos experimentales ($n=7$ condiciones). Los modelos se utilizaron como herramientas interpretativas para la interpolación de tendencias e identificación de la ventana de procesamiento, más que para una predicción generalizable más allá del dominio estudiado.

Resultados Clave

• Evolución Microestructural:
  • Si Eutéctico: Ocurrió una fragmentación y esferoidización rápida dentro de los primeros 15 minutos, reduciendo la relación de aspecto del Si de 4.0 (as-cast) a 1.9. El tratamiento prolongado (≥120 min) condujo a un engrosamiento gradual.
  • Homogeneización de Cu: El análisis EDS reveló una redistribución sustancial de Cu dentro de las dendritas de $\alpha$-Al, alcanzando una distribución cercana al estado estacionario hacia los 90 minutos.
  • Cinética: El análisis de Avrami identificó un comportamiento de ablandamiento de dos etapas con un punto de transición aproximadamente a los 90 minutos. La etapa temprana (15–90 min) se caracterizó por una fragmentación controlada por difusión ($n \approx 0.51$), mientras que la etapa tardía (120–180 min) involucró un reordenamiento acelerado y engrosamiento ($n \approx 2.45$).
• Propiedades Mecánicas:
  • Resistencia vs. Ductilidad: El SHT resultó en un compromiso donde la resistencia disminuyó y la ductilidad aumentó. La resistencia a la tracción máxima (UTS) cayó de 316 MPa (as-cast) a 287 MPa a los 120 min. El límite elástico (YS) disminuyó de 162 MPa a 124 MPa. Inversamente, la elongación aumentó significamente de 4.6% a 14.7% a los 120 min.
  • Ventana Óptima: El equilibrio más favorable entre la retención de resistencia y la mejora de la ductilidad se observó en el rango de 90–120 minutos. Más allá de los 120 minutos, ocurrió un mayor ablandamiento con rendimientos decrecientes en la elongación.
• Desempeño del Aprendizaje Automático:
  • Entre los cuatro modelos probados, AdaBoost proporcionó la representación más consistente de los datos experimentales, logrando valores de $R^2$ de 0.98 para UTS, 0.96 para YS y 0.84 para elongación.
  • El análisis de ML logró interpolar las tendencias no lineales, confirmando la ventana óptima de SHT de 90–120 minutos. Las funciones polinómicas de segundo orden ajustadas a las predicciones de AdaBoost lograron $R^2 > 0.999$, sirviendo como aproximaciones sustitutas suaves para la optimización del proceso.

Significancia y Reivindicaciones
El artículo afirma establecer un marco cuantitativo para optimizar el SHT de corto tiempo en aleaciones A383 de HPDC recicladas. La principal significancia radica en demostrar que un SHT de corto tiempo (490 °C por 90–120 min) puede reemplazar los programas de solución de 6 horas convencionales, reduciendo el tiempo de procesamiento en aproximadamente un 80% mientras mantiene un equilibrio favorable entre resistencia y ductilidad. Este enfoque evita el ampollamiento y asegura la estabilidad dimensional, lo que lo hace adecuado para aplicaciones automotrices y electrónicas ligeras.

El estudio enfatiza que la integración de la caracterización experimental con el ML de conjunto (específicamente AdaBoost) ofrece un método robusto para identificar ventanas de procesamiento óptimas incluso con conjuntos de datos limitados. Los autores posicionan este trabajo como un paso hacia un diseño de procesos impulsado por datos y eficiente energéticamente para componentes de HPDC reciclados, señalando que el trabajo futuro buscará generalizar estos hallazgos incorporando variaciones de temperatura, respuestas de envejecimiento y métricas de porosidad.