Ученые использовали машинное обучение для оптимизации микроэлектроэрозионной обработки биосовместимого титанового сплава TNTZ. Искусственная нейронная сеть достигла точности прогнозов более 95%, что открывает путь к более безопасным медицинским имплантатам и аэрокосмическим компонентам.
Титановые сплавы широко применяются в биомедицинских имплантатах, аэрокосмической отрасли и автомобилестроении благодаря прочности, коррозионной стойкости и малому весу. Однако распространенный сплав Ti–6Al–4V содержит алюминий и ванадий, которые при длительном контакте с биологическими тканями могут быть токсичны. Новые сплавы, обогащенные ниобием, танталом и цирконием, обладают улучшенной биосовместимостью, но их сложнее обрабатывать традиционными методами.
В ходе экспериментов с вольфрамо-карбидными электродами варьировали напряжение и емкость. Выяснилось, что емкость влияет на 90% результатов: высокая энергия разряда ускоряет съем материала, но ухудшает точность и качество поверхности.
Для анализа данных использовались модели машинного обучения. Искусственная нейронная сеть показала наилучшие результаты с коэффициентом детерминации близким к 0,99 и погрешностью менее 5 %, что позволяет ей улавливать сложные взаимосвязи между параметрами обработки и результатами.
Микроскопический анализ показал, что увеличение энергии разряда приводит к образованию крупных кратеров и повышению неровностей поверхности, что важно для оптимизации параметров микрообработки. Исследование подчеркивает роль машинного обучения в производстве, где прогностические модели снижают затраты и повышают надежность.
Авторы считают, что интеграция искусственного интеллекта с микрообработкой ускорит внедрение безопасных и биосовместимых титановых сплавов в промышленность. В будущих исследованиях планируется расширить набор данных и изучить дополнительные параметры обработки для повышения точности прогнозирования и расширения возможностей применения.