《Journal of Manufacturing Processes》：Flow mechanisms and machine learning-based formation optimization on ultrasonic-assisted friction stir channeling of cast aluminum alloys
编辑推荐：
本研究提出超声辅助摩擦搅拌通道（UaFSC）技术，通过声致软化降低材料流动应力，促进塑性材料上表面流动，形成几何规整、内壁粗糙度低的结构。结合神经网络和耦合Eulerian-Lagrangian有限元模型，优化多参数工艺窗口，实现高精度通道形貌预测与质量提升，为电动汽车电池散热板一体化制造提供数据驱动的解决方案。
胡胜楠|谢玉明|孟向晨|韩一龙|王胜龙|单成|黄永贤
哈尔滨工业大学材料与结构精密焊接与连接国家重点实验室，哈尔滨 150001，中国
摘要
摩擦搅拌通道化（FSC）通过使用成型工具将塑化材料提取到表面，在单次通过过程中形成内部流道，从而实现用于电动汽车电池热管理的整体式冷板结构。然而，用于电池壳体的铸造铝合金具有有限的流动性，导致几何形状不规则和内壁粗糙。我们提出了一种超声波辅助的FSC（UaFSC）方法，该方法利用声学软化效应降低流动应力，促进材料向上流动，并使通道形状规则化。与繁琐的正交试验相比，一种紧凑的“随机种子→神经网络→对抗性优化”工作流程学习了多参数过程窗口，并能够高精度预测通道的矩形度、宽度、高度和表面质量指数。该模型在验证集上的准确率达到了100%（对于覆盖表面等级）和超过80%（对于几何指标）。帕累托分析显示，超声波使通道高度增加了约26%，并扩大了可行的参数范围。欧拉-拉格朗日有限元耦合模型将这些改进归因于应力降低、温度升高减小以及孔隙率提高。基于示踪剂的运动学分析揭示了UaFSC中的周期性流动，这种流动能够恢复壁面法向位移并平滑前进的侧壁，从而减少了内壁粗糙度。这些结果阐明了形成机制，并为紧凑型热设备的稳健过程设计提供了数据高效的方法。
引言
新能源车辆的高密度电池组中的锂离子电池发生的电化学反应会不断产生热量，这可能导致电池寿命突然下降，甚至引发火灾[1]。为了解决热量积聚问题，采用了冷板作为电池壳体的热管理方式[2]。目前广泛采用液冷作为热管理系统[3]，其中电池冷板是其核心组件。现有的冷板采用“加工+焊接”的方法，需要在底板上铣削流道，然后焊接盖板进行密封[4]。然而，这种组装方法增加了电池模块的重量，这与电动汽车的轻量化要求相矛盾[5]。熔焊形成的焊缝增加了冷却液泄漏的风险[6]，并成为整个车辆底盘机械完整性的薄弱环节[7]，影响了碰撞安全性，也偏离了电动汽车的集成底盘开发趋势。
摩擦搅拌通道化（FSC）利用探针将塑化材料从内部抽出到表面，在工具移动的同时形成空心通道，并同时粘合覆盖层，从而实现冷却液的循环散热[8]。其关键优势在于一步成型，既满足了底盘的集成要求，也满足了轻量化的需求，同时消除了焊接相关的缺陷，如机械弱化和泄漏风险[9]。通道形成的质量高度依赖于材料的流动性。当仅依赖传统的基于参数的优化方法时，尤其是对于像铸造铝合金这样固有流动性较差的材料[10]，很难实现所需的通道矩形度。鉴于铸造铝合金在车辆底盘中的广泛应用且不可替代，这构成了一个重大的制造挑战[11]。根据Langenecker提出的Blaha效应[12]，超声波辅助可以显著提高合金材料的流动性。在塑性加工过程中对工具或工件施加超声波振动可以降低流动应力，促进材料流动，最终提高成型效率和产品质量[13]。Tarasov等人[14]展示了在超声波辅助摩擦搅拌焊接（FSW）7075铝合金时，超声波处理提高了金属的塑化和搅拌效率。Park等人[15]通过实验验证了超声波辅助FSW的有效性，他们通过振动FSW探针传递超声波能量。FSC作为FSW的衍生技术，具有类似的热机械-流动特性[16]，表明超声波可以通过声学软化效应促进变形能力。然而，引入超声波参数使得传统的实验分析方法（如正交实验）不足以建立成本效益高的参数-通道特征相关性。神经网络能够捕捉多参数之间的复杂、高维和非线性映射关系。神经网络的分层架构使其能够自动发现并组合特征，形成高阶交互作用，提供了一种强大且适应性强的建模方法，不同于依赖固定核函数的支持向量回归和高斯过程回归等方法[17]。尽管神经网络尚未在FSC中应用，但已在FSW中证明可以有效计算参数与成型质量之间的复杂非线性关系，用于预测[18]。Manvatker等人[19]开发了一个神经网络模型，用于分析和预测FSW过程中的峰值温度和横向力，预测结果与实际结果非常吻合，并且在训练数据范围之外仍保持预测可靠性。Sudhagar等人[20]实现了一种最大稳定极值区域算法，用于提取焊缝表面形态特征作为机器学习模型的输入变量，他们的系统在缺陷预测和分类方面的准确率达到95.8%。这种机器学习方法依赖于历史数据集进行模型训练，然后对新样本进行决策、分类或预测[21]。它们在处理传统实验方法难以解释的复杂非线性参数-性能关系方面表现出色[22]，建立了多个特征与目标之间的功能关系[22]，从而实现了高精度预测。然而，FSC缺乏成熟的历史数据集，这是工业应用的主要障碍。通过对相关文献的全面搜索，未发现将机器学习结合到FSC成型质量预测模型中的研究。因此，本文旨在开发一种基于机器学习的预测模型，用于铸造铝合金FSC的质量预测，目标是在小数据集下实现多参数优化。帕累托最优性原理可以应用于确定最佳过程窗口，以满足多目标优化要求[23]。多个目标之间存在根本性的权衡，即矩形度、宽度、高度和表面质量。因此，没有单一解决方案可以同时优化所有目标。展示整个帕累托前沿的主要价值在于为工程决策提供灵活性，因为它全面展示了所有可能的非支配最优权衡选项[24]。这使得决策者可以根据具体应用需求选择最合适的方案，例如侧重于密封性或流速[25]。Lin等人[26]通过一种新颖的多任务学习算法获得了均匀分布的帕累托解集，描述了不同优化目标之间的权重关系。Tamjidy等人[27]建立了一个数学模型，用于AA6061-T6铝合金的FSW，以抗拉强度和焊接速度作为优化目标。该模型有效平衡了这两个相互冲突的优化目标，抗拉强度提高了12%，同时保证了生产效率。FSC中也存在类似程度的冲突优化目标。肩部-工件间隙的增加为塑化材料提供了更多空间，从而扩大了通道尺寸，但阻止了通道覆盖表面的粘合。因此，通道尺寸和覆盖表面质量是相互冲突的目标。帕累托前沿方法提供了一种有效的方法来确定最佳过程窗口。
FSC代表了一个耦合的热机械过程，其中温度、应变和材料流动行为难以直接测量，尽管塑化材料的流动是影响通道形成质量的关键因素[28]。有限元方法被广泛用于研究FSW接头中的材料流动[29]，但专注于FSC的研究仍然很少。欧拉-拉格朗日（CEL）耦合模型适用于模拟具有严重塑性变形的FSC的强耦合热机械行为[30]。Ramchandra等人[31]研究了摩擦搅拌过程中的材料流动行为。他们采用CEL技术来控制网格变形并模拟过度变形。Gao等人[32]利用示踪粒子技术研究了整个FSW过程中的材料流动。模拟结果显示，粒子在探针周围呈螺旋运动。顶部的材料在肩部的影响下呈螺旋向下流动，而下部的材料在探针的影响下呈螺旋向上流动。材料可以围绕探针完成多次旋转，这与使用钨示踪粒子的实验观察结果一致。当采用Johnson-Cook模型描述材料本构行为时，引入了一个软化系数来模拟超声波降低材料流动应力的效果[33]。
在这项工作中，提出了一种超声波辅助方法来提高ZL114铸造铝合金的材料流动性，实现了尺寸规整和内壁光滑，称为超声波辅助FSC（UaFSC），如图1所示。声学软化效应降低了流动应力，促进了材料重新排列，形成了规则的通道轮廓。较低的流动应力使得材料重新分布更加完全，最小化了内壁粗糙度。首次应用神经网络模型来预测通道几何形状，从而实现了最佳多参数窗口的确定，生产出形状一致且内部光滑的可预测通道，从而提高了FSC在冷板和紧凑型热设备中的可行性。数值模拟模拟了材料流动，分析了超声波对改善通道尺寸和内壁质量的影响。
技术路线
采用尺寸为300毫米×300毫米×12毫米的ZL114铝合金板。基材的化学成分列在表1中[34]。
FSC和UaFSC过程都分为三个阶段（如图1所示）。第一阶段包括插入和停留，其中探针缓慢插入直到肩部穿透材料0.1毫米，然后停留8秒，然后重新缩回到预设的肩部-工件距离。
UaFSC成型预测
200个通道的特征数据附在图S1和表S3、S4中，直观地展示了超声波对表面成型质量的显著影响。FSC等级分布为A-10%，B-27%，C-24%，D-33%，E-6%，而UaFSC的等级分布为A-39%，B-39%，C-8%，D-7%，E-7%。超声波显著提高了表面质量，高质量等级A和B合计达到了80%。等级C、D和E代表未成型的表面
结论
本研究表明，通过UaFSC结合机器学习，可以实现铸造铝合金的高质量、可预测的通道成型，适用于整体式冷板应用。这为用于电动汽车电池热管理的整体式冷板结构提供了一种数据高效的过程设计路径：
1.提出了一种新的UaFSC工艺，利用声学软化效应来规则化通道几何形状，并显著提高内壁质量
CRediT作者贡献声明
胡胜楠：撰写——原始草稿，研究，正式分析，概念化。谢玉明：撰写——审阅与编辑，监督，研究，概念化。孟向晨：撰写——审阅与编辑，可视化，验证。韩一龙：软件，研究。王胜龙：资源，项目管理。单成：可视化，正式分析，数据管理。黄永贤：撰写——审阅与编辑，项目管理，资金获取。
利益冲突声明
作者声明没有可能影响本工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金（编号：52305345、52175301、52205350）和黑龙江春燕创新团队计划（CYCX24008）的共同支持。
