تسهیل بازیافت آلیاژهای سری ۶xxx آلومینیوم با بهینه‌سازی مبتنی بر یادگیری ماشینی

در طول قرن گذشته، آلیاژهای آلومینیوم به دلیل نسبت استحکام به وزن منحصربه‌فردشان توسعه چشمگیری یافته‌اند، که منجر به ایجاد تعداد زیادی درجه آلیاژی مختلف شده است. اما این تنوع زیاد در درجات آلیاژی، زمانی که به بازیافت آلومینیوم پرداخته می‌شود، چالش‌هایی ایجاد می‌کند؛ زیرا برای حفظ عملکرد مطلوب، بازیابی ترکیب بهینه از میان مجموعه گسترده‌ای از آلیاژها دشوار است. بنابراین، ضرورت کاهش تعداد درجات آلیاژی در کنار حفظ خواص آن‌ها احساس می‌شود. در این مطالعه، یک حلقه بهینه‌سازی مبتنی بر دانش علم مواد و الگوریتم‌های یادگیری ماشین طراحی شده است، بر پایه ۲۹۲ مجموعه داده از ۴۲ درجه آلیاژ آلومینیوم سری ۶xxx، با تمرکز بر خواص مکانیکی، عملکردی و فناورانه تحت شرایط پیرسازی T5، T6 و T7. الگوریتم‌های خوشه‌بندی K-means و تجزیه مؤلفه‌های اصلی (PCA) برای شکل‌دهی خوشه‌های آلیاژ استفاده شدند و سپس به زیرخوشه‌های ریزتری تقسیم شدند. برای هر زیرخوشه، یک آلیاژ بهینه (Optimal Alloy, OA) بر اساس معیارهای بهینه‌سازی تعیین شد. پس از تکرارهای متوالی، موفق شدند ۴۲ درجه را به مجموعه‌ای از ۱۰ آلیاژ بهینه کاهش دهند که هر یک عملکرد مطلوبی دارند. این روش نه تنها توانایی یادگیری ماشین در انتخاب آلیاژ بهینه را نشان می‌دهد، بلکه راهی نو برای بهبود فرآیندهای بازیافت در صنعت آلومینیوم ارائه می‌کند.

1. بررسی کلی

آلومینیوم، سومین عنصر فراوان و پرکاربردترین فلز (۸٪ پوشش زمین) است. دامنه کاربرد آن، از فویل‌های نرم تا سازه‌های سبک مهندسی گسترده است، زیرا نسبت استحکام به وزن بالا دارد. افزودن عناصر آلیاژی مانند منیزیم، سیلیسیم، مس، منگنز و روی، خواص مکانیکی آلومینیوم خالص را به‌طور چشمگیری ارتقا می‌دهد. در حالی که عناصر کم‌آلیاژی (< 0.5٪) برای تنظیم رفتارهای خاص مانند مقاومت به خوردگی نیز به‌کار می‌روند.

افزایش تقاضای آلومینیوم و فشار به سمت بازیافت، صنعت را به سمت ساده‌سازی دنیای آلیاژها سوق داده است. روش‌های سنتی طراحی آلیاژ مبتنی بر آزمون و خطا (trial-and-error) زمان‌بر، هزینه‌بر و غیرکفایت‌آورند؛ به خصوص وقتی فضای ترکیبی آلیاژی بسیار گسترده باشد. همچنین افزودن محاسبات «ab initio» برای طراحی آلیاژ نو نیز محدودیت‌هایی دارد: پیچیدگی‌های زیاد، غیرخطی بودن روابط مواد، حجم زیاد فضای طراحی و هزینه محاسباتی بالا.

در سال‌های اخیر، یادگیری ماشین (Machine Learning, ML) وارد حوزه علم مواد شده است تا با هزینه محاسباتی پایین‌تر و توانایی پیش‌بینی بهتر، مسائل پیچیده طراحی مواد را پوشش دهد. در برخی مطالعات، ML برای طراحی آلیاژهای سری 7xxx استفاده شده است، با مدل‌سازی ترکیب و فرایند بهینه‌سازی.

در این مطالعه، داده‌هایی از ۴۲ درجه آلیاژهای سری 6xxx انتخاب شدند (با استانداردهای تجاری ASTM) با استفاده از منابعی مانند Encyclopaedia of Aluminum and its Alloys، ASM Specialty Handbook، وب‌سایت MakeItFrom و ادبیات علمی مختلف. این آلیاژها در صنایع خودروسازی و ساختمان کاربرد گسترده‌ای دارند و نیازمند قابلیت بازیافت بالا هستند. مجموعه داده شامل خصوصیات ترکیبی، مکانیکی، فنّاورانه و عملکردی در شرایط پیرسازی T5، T6 و T7 است.

هدف اصلی، کاهش تعداد درجات آلیاژی ضمن حفظ خواص در زیرخوشه‌هاست. چارچوبی طراحی شد که شامل مراحل: گردآوری داده → ترکیب PCA و K-means → زیرخوشه‌بندی → انتخاب آلیاژ بهینه باشد.

۲. داده‌نگاری و پیش‌پردازش داده‌ها

۲.۱ گردآوری داده

از ۴۲ درجه تجاری سری 6xxx، داده‌های ۲۹۲ نمونه جمع‌آوری شدند که ترکیبی از ویژگی‌های کمی و کیفی‌اند: ترکیب شیمیایی، خواص مکانیکی (تنش تسلیم، مقاومت کششی، مدول سختی)، خصوصیات فناوری (ماشین‌کاری، فرم‌دهی) و عملکردی (مقاومت خوردگی، پاسخ آنودایزینگ).

پوشش‌دهی باید دسته‌بندی شود (categorical) مانند قابلیت جوش، مقاومت خوردگی، پاسخ آنودایز، و سپس تبدیل به ویژگی عددی برای ورود به الگوریتم ML. سپس این ویژگی‌ها با دیگر متغیرهای عددی ادغام شدند.

۲.۲ پیش‌پردازش و استانداردسازی

این داده‌ها ابتدا استانداردسازی (standardization) شدند تا متغیرها در مقیاس مشابهی قرار گیرند، سپس تجزیه مؤلفه‌های اصلی (PCA) برای کاهش ابعاد و استخراج مؤلفه‌های اصلی انجام شد. سپس بر روی فضای کاهش‌یافته، الگوریتم K-means clustering به‌کار رفت تا آلیاژهای مشابه در خوشه‌هایی گروه‌بندی شوند.

برای یافتن تعداد خوشه مناسب، از روش «elbow curve» استفاده شد. بعد از این مرحله، خوشه‌ها با استفاده از PCA + K-means تشکیل شدند و سپس خوشه‌بندی‌های اولیه به زیرخوشه‌های ریزتر تقسیم شدند.

۳. خوشه‌بندی و انتخاب آلیاژ بهینه

۳.۱ ترکیب PCA و K-means

PCA داده‌ها را به فضای با ابعاد کمتر می‌آورد، بخش عمده تغییرات را حفظ می‌کند و سپس K-means در آن فضای کاهش‌یافته خوشه‌هایی ایجاد می‌کند. این ترکیب باعث می‌شود خوشه‌بندی دقیق‌تر و متمایزتری حاصل شود.

پس از خوشه‌بندی اولیه، هر خوشه به زیرخوشه‌های ریزتر تقسیم شد تا شباهت درونی در هر گروه بیشتر شود.

۳.۲ انتخاب آلیاژ بهینه (Optimal Alloy, OA)

برای هر زیرخوشه، یک آلیاژ بهینه بر اساس معیارهای بهینه‌سازی متعدد انتخاب شد—معیارهایی مانند استحکام تسلیم و مقاومت به خوردگی و رفتار فناورانه. سپس با تکرار این فرآیند، ۴۲ درجه ابتدا به ۱۰ آلیاژ بهینه کاهش یافت.

این ۱۰ آلیاژ بهینه، همگی معادلی تجاری دارند و عملکرد بسیار خوبی ارائه می‌کنند.

۴. نتایج تحلیل و تفسیر متالورژیکی

۴.۱ ساختار خوشه‌ها

خوشه‌ها در شرایط پیرسازی T5، T6 و T7 تثبیت شدند و الگوهای مشابهی میان خوشه‌ها مشاهده شد، نشان‌دهنده ثبات خوشه‌بندی در مواجهه با تغییرات فرایندی.

هماهنگی خوشه‌بندی در شرایط مختلف فرآیند (نورد، اکستروژن، فورجینگ) نیز مشاهده شد که نشان‌دهنده مقاوم بودن مدل خوشه‌بندی است.

۴.۲ تفسیر فنی عناصر آلیاژی

تحلیل با استفاده از الگوریتم LIME (Local Interpretable Model-Agnostic Explanations) صورت گرفت تا تأثیر هر عنصر آلیاژی بر خواص مکانیکی (تنش تسلیم، مدول نرمی) برای هر خوشه تبیین شود. این تحلیل نشان داد که برخی عناصر مثبت یا منفی بر خواص تأثیر قوی دارند.

مثلاً در خوشه‌ای که دارای مقادیر نسبتاً بالای Mg + Si + Cu هستند، مقدار مس (Cu) زیاد باعث افزایش تنش تسلیم شده است، اما ممکن است بر خصوصیات چقرمگی تأثیر منفی داشته باشد.

۵. مزایا و کاربردهای این رویکرد برای بازیافت

1. کاهش پیچیدگی آلیاژی
   تبدیل ۴۲ درجه به ۱۰ آلیاژ بهینه سبب ساده‌تر شدن فرآیند بازیافت و کاهش نیاز به جداسازی سختگیرانه می‌شود.
    ‌‎
2. حفظ عملکرد مهندسی
   آلیاژهای انتخاب شده در زیرخوشه‌ها خواصی مشابه یا بهتر نسبت به درجات اصلی دارند، بدون افت عملکرد قابل ملاحظه.
3. افزایش بازده بازیافت
   کاهش تعداد درجات آلیاژی، امکان ترکیب قراضه‌ها را آسان‌تر می‌کند و بروز مشکلات اختلاط آلیاژی را کمتر می‌کند.
   
4. راهبری برای طراحی آینده
   این چارچوب می‌تواند برای سایر سری‌های آلیاژی نیز به‌کار رود و راه را برای طراحی آلیاژهای قابل بازیافت هموار سازد.

۶. محدودیت‌ها و چالش‌ها

• کیفیت داده‌ها: دقت پیش‌بینی ML وابسته به کیفیت و پوشش داده‌هاست.
• حوزه عملکرد: برخی آلیاژهای نادر یا خاص ممکن است جزو داده‌های اصلی نباشند.
• مقیاس‌پذیری صنعتی: آیا این ۱۰ آلیاژ پیشنهادی در مقیاس انبوه قابل تولید و مقرون‌به‌صرفه‌اند؟
• ملاحظات اقتصادی و بازار: پذیرش بازار برای تغییر درجه آلیاژها و موجودی قراضه.

۷. نتیجه‌گیری و پیشنهادات آینده

در این مطالعه، طراحی چارچوبی مبتنی بر یادگیری ماشین و دانش علم مواد برای انتخاب آلیاژ بهینه در سری 6xxx نشان داده شد. با خوشه‌بندی و تحلیل مؤلفه‌ها، توانستند ۴۲ درجه را به ۱۰ آلیاژ بهینه کاهش دهند، بدون افت خواص حیاتی. این رویکرد کمک می‌کند تا فرآیند بازیافت ساده‌تر و اقتصادی‌تر شود و همزمان عملکرد مهندسی حفظ گردد.

برای آینده، پیشنهاد می‌شود:

• گسترش پایگاه داده با افزودن خواص خستگی، خوردگی در طول زمان، پاسخ به شرایط محیطی
• کاربرد روش در سایر سری‌های آلیاژی
• ارزیابی صنعتی و آزمایشی آلیاژهای بهینه پیشنهادی
• تلفیق این مدل با تکنولوژی‌های پردازش (ذوب، آنودایز، سورتینگ) برای عملیاتی شدن در صنعت بازیافت

به اطلاعات تخصصی بیشتری نیاز دارید؟
با ما تماس بگیرید تا درباره‌ی راهکارهای خلاقانه در صنعت آلومینیوم اطلاعات بیشتری کسب کنید.