Tổng quan nghiên cứu

Trong bối cảnh ngành công nghiệp nhựa ngày càng phát triển, việc sản xuất các sản phẩm nhựa có cấu trúc phức tạp và yêu cầu cao về chất lượng ngày càng tăng. Theo ước tính, các khuyết tật như đường hàn (weld line) xuất hiện phổ biến trong quá trình ép phun nhựa, ảnh hưởng trực tiếp đến tính thẩm mỹ và độ bền của sản phẩm. Đặc biệt, đường hàn là điểm yếu cơ học, làm giảm độ bền kéo của sản phẩm nhựa, gây ra nhiều thách thức trong sản xuất và ứng dụng thực tế. Mục tiêu của nghiên cứu là dự đoán độ bền kéo của đường hàn trong công nghệ ép phun nhựa bằng cách ứng dụng mạng nơ-ron nhân tạo (ANN), nhằm tối ưu hóa các thông số ép phun như thời gian phun, thời gian định hình, nhiệt độ nhựa và nhiệt độ khuôn. Nghiên cứu được thực hiện trên mẫu nhựa Polyamide 6 (PA6) gia cố 30% sợi thủy tinh, với bộ dữ liệu thực nghiệm gồm khoảng 20 mẫu thử kéo được thu thập tại phòng thí nghiệm của Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh trong năm 2023-2024. Ý nghĩa của nghiên cứu thể hiện qua việc giảm thiểu chi phí thử nghiệm thực tế, nâng cao hiệu quả sản xuất loạt nhỏ và cải thiện chất lượng sản phẩm nhựa, đồng thời góp phần bảo vệ môi trường khi hạn chế việc sử dụng lớp sơn phủ bề mặt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: lý thuyết vật liệu polymer và mô hình mạng nơ-ron nhân tạo (ANN). Về vật liệu polymer, nhựa Polyamide 6 (PA6) được chọn do có đặc tính cơ học ưu việt như độ bền kéo cao, khả năng chịu nhiệt và chống mài mòn tốt, đặc biệt khi gia cố bằng 30% sợi thủy tinh (PA6 + 30% GF) giúp tăng độ cứng và ổn định kích thước. Các thông số ép phun như thời gian phun, áp suất phun, thời gian định hình, áp suất định hình, nhiệt độ nhựa và nhiệt độ khuôn được xem xét ảnh hưởng đến độ bền kéo của đường hàn. Về mạng nơ-ron nhân tạo, mô hình ANN được sử dụng để mô phỏng và dự đoán độ bền kéo dựa trên các thông số đầu vào. Mạng ANN gồm các lớp nơ-ron đầu vào, lớp ẩn và lớp đầu ra, với các hàm kích hoạt phi tuyến như sigmoid và tanh giúp mạng học và khái quát hóa dữ liệu. Hai thuật toán huấn luyện chính được áp dụng là Levenberg-Marquardt và Bayesian Regularization, nhằm tối ưu hóa trọng số mạng và tránh hiện tượng overfitting.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ các mẫu nhựa PA6 + 30% GF được tạo ra trên máy ép phun MA 1200III (Haitian, China). Mẫu thử được thiết kế theo tiêu chuẩn ASTM D638 loại II với độ dày 3,2 mm, chiều dài 165 mm và chiều rộng 13 mm. Tổng cộng khoảng 20 mẫu được thử nghiệm kéo trên máy thử nghiệm đa năng Instron 5566 để đo độ bền kéo. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên từ các điều kiện ép phun khác nhau nhằm bao phủ đa dạng các thông số. Dữ liệu thu thập gồm các thông số ép phun (thời gian phun, thời gian định hình, nhiệt độ nhựa, nhiệt độ khuôn) và kết quả độ bền kéo tương ứng. Quá trình phân tích dữ liệu được thực hiện trên phần mềm Matlab 2014b, xây dựng và huấn luyện 6 mô hình mạng ANN khác nhau với số nơ-ron lớp ẩn lần lượt là 4, 10 và 20, sử dụng hai hàm huấn luyện Levenberg-Marquardt và Bayesian Regularization. Các mô hình được đánh giá dựa trên các chỉ số MSE (Mean Squared Error) và R-squared (R²) để xác định mô hình phù hợp nhất với bộ dữ liệu nhỏ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Ảnh hưởng của các thông số ép phun đến độ bền kéo: Kết quả thử nghiệm cho thấy thời gian phun và thời gian định hình có ảnh hưởng rõ rệt đến độ bền kéo của đường hàn. Cụ thể, khi thời gian phun tăng từ mức thấp đến mức tối ưu, độ bền kéo tăng khoảng 15%, sau đó giảm nhẹ khi vượt quá mức tối ưu. Tương tự, thời gian định hình tối ưu giúp tăng độ bền kéo lên khoảng 12% so với các giá trị thấp hoặc cao hơn.

  2. Hiệu quả của mạng nơ-ron trong dự đoán: Mô hình ANN với 10 nơ-ron lớp ẩn và thuật toán huấn luyện Levenberg-Marquardt đạt MSE thấp nhất là 0.002 và R² đạt 0.95, cho thấy khả năng dự đoán độ bền kéo rất chính xác so với kết quả thực nghiệm. Mô hình Bayesian Regularization với 20 nơ-ron lớp ẩn cũng cho kết quả tốt với MSE khoảng 0.003 và R² là 0.92.

  3. So sánh các mô hình mạng ANN: Mạng với 4 nơ-ron lớp ẩn cho kết quả dự đoán kém hơn, với R² chỉ đạt khoảng 0.85. Mạng có 20 nơ-ron lớp ẩn có xu hướng overfitting khi sử dụng thuật toán Levenberg-Marquardt, nhưng được cải thiện khi dùng Bayesian Regularization. Điều này cho thấy việc lựa chọn số lượng nơ-ron và thuật toán huấn luyện phù hợp là rất quan trọng với bộ dữ liệu nhỏ.

  4. Độ chính xác dự đoán: Tỷ lệ chênh lệch giữa giá trị dự đoán và thực nghiệm của mô hình tốt nhất chỉ khoảng 3-5%, đủ để ứng dụng trong thực tế sản xuất nhằm tối ưu hóa các thông số ép phun mà không cần thử nghiệm tốn kém.

Thảo luận kết quả

Nguyên nhân chính của sự ảnh hưởng các thông số ép phun đến độ bền kéo là do chúng tác động trực tiếp đến quá trình làm nguội và kết dính của các dòng nhựa nóng chảy tại đường hàn. Thời gian phun và định hình tối ưu giúp nhựa có đủ thời gian để liên kết chặt chẽ, tăng cường độ bền cơ học. Kết quả dự đoán của mạng ANN phù hợp với các nghiên cứu trước đây về ứng dụng mạng nơ-ron trong dự đoán tính chất vật liệu tổng hợp, tuy nhiên nghiên cứu này đặc biệt tập trung vào đường hàn trong ép phun nhựa với bộ dữ liệu nhỏ, điều ít được đề cập trong các nghiên cứu trước. Việc sử dụng hai thuật toán huấn luyện khác nhau giúp đánh giá toàn diện hiệu quả mô hình, trong đó Bayesian Regularization thể hiện ưu thế trong việc tránh overfitting. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ bền kéo thực nghiệm và dự đoán theo từng mô hình, cũng như bảng tổng hợp các chỉ số MSE và R² để minh họa sự khác biệt hiệu quả của các mô hình.

Đề xuất và khuyến nghị

  1. Tối ưu hóa thông số ép phun: Nhà sản xuất nên điều chỉnh thời gian phun và thời gian định hình trong khoảng tối ưu đã xác định để tăng độ bền kéo của đường hàn, giảm thiểu khuyết tật và nâng cao chất lượng sản phẩm. Thời gian thực hiện đề xuất này là trong vòng 3-6 tháng, do bộ phận kỹ thuật vận hành máy ép phun chịu trách nhiệm.

  2. Ứng dụng mô hình mạng nơ-ron: Áp dụng mô hình ANN với cấu hình 10 nơ-ron lớp ẩn và thuật toán Levenberg-Marquardt để dự đoán độ bền kéo trong quá trình thiết kế và thử nghiệm sản phẩm mới, giúp giảm chi phí và thời gian thử nghiệm thực tế. Bộ phận nghiên cứu và phát triển nên triển khai trong 6-12 tháng.

  3. Đào tạo nhân sự: Tổ chức các khóa đào tạo về công nghệ mạng nơ-ron và phân tích dữ liệu cho kỹ sư và nhân viên vận hành nhằm nâng cao năng lực ứng dụng công nghệ mới trong sản xuất. Thời gian đào tạo dự kiến 3 tháng, do phòng nhân sự phối hợp với chuyên gia công nghệ thông tin thực hiện.

  4. Mở rộng nghiên cứu: Tiếp tục thu thập dữ liệu và phát triển các mô hình ANN phức tạp hơn, kết hợp với các thuật toán học sâu để nâng cao độ chính xác dự đoán, đặc biệt với các loại nhựa và điều kiện ép phun khác nhau. Đề xuất này dành cho bộ phận nghiên cứu, với kế hoạch dài hạn 1-2 năm.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư công nghệ ép phun nhựa: Nghiên cứu cung cấp kiến thức về ảnh hưởng các thông số ép phun đến độ bền kéo đường hàn, giúp họ tối ưu hóa quy trình sản xuất và nâng cao chất lượng sản phẩm.

  2. Nhà quản lý sản xuất: Thông tin về ứng dụng mạng nơ-ron trong dự đoán độ bền kéo giúp quản lý đưa ra quyết định đầu tư công nghệ và cải tiến quy trình sản xuất hiệu quả hơn.

  3. Nhà nghiên cứu và sinh viên ngành kỹ thuật cơ khí, vật liệu: Luận văn là tài liệu tham khảo quý giá về ứng dụng trí tuệ nhân tạo trong kỹ thuật vật liệu và công nghệ sản xuất, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

  4. Doanh nghiệp sản xuất nhựa và linh kiện: Có thể áp dụng kết quả nghiên cứu để giảm chi phí thử nghiệm, nâng cao chất lượng sản phẩm và đáp ứng nhanh các yêu cầu thay đổi của thị trường.

Câu hỏi thường gặp

  1. Mạng nơ-ron nhân tạo là gì và tại sao lại được sử dụng trong dự đoán độ bền kéo?
    Mạng nơ-ron nhân tạo là mô hình tính toán mô phỏng hoạt động của hệ thần kinh con người, có khả năng học từ dữ liệu và dự đoán kết quả mới. Nó được sử dụng vì có thể xử lý dữ liệu phi tuyến và phức tạp, phù hợp với bài toán dự đoán độ bền kéo dựa trên nhiều thông số ép phun.

  2. Tại sao chọn nhựa PA6 + 30% sợi thủy tinh làm mẫu nghiên cứu?
    PA6 + 30% GF có đặc tính cơ học tốt, độ bền và độ cứng cao, phổ biến trong công nghiệp. Việc gia cố bằng sợi thủy tinh giúp tăng khả năng chịu lực và ổn định kích thước, phù hợp để nghiên cứu ảnh hưởng của đường hàn trong ép phun.

  3. Bộ dữ liệu nhỏ có ảnh hưởng thế nào đến kết quả huấn luyện mạng ANN?
    Bộ dữ liệu nhỏ có thể gây khó khăn trong việc huấn luyện mạng, dễ dẫn đến overfitting hoặc dự đoán không chính xác. Do đó, việc lựa chọn cấu hình mạng và thuật toán huấn luyện phù hợp như Bayesian Regularization là rất quan trọng để cải thiện độ chính xác.

  4. Các thông số ép phun nào ảnh hưởng nhiều nhất đến độ bền kéo của đường hàn?
    Thời gian phun và thời gian định hình là hai thông số có ảnh hưởng lớn nhất, vì chúng quyết định quá trình làm nguội và kết dính của nhựa tại đường hàn, từ đó ảnh hưởng trực tiếp đến độ bền kéo.

  5. Làm thế nào để áp dụng kết quả nghiên cứu vào sản xuất thực tế?
    Doanh nghiệp có thể sử dụng mô hình ANN để dự đoán độ bền kéo dựa trên các thông số ép phun đầu vào, từ đó điều chỉnh quy trình sản xuất mà không cần thử nghiệm nhiều lần, tiết kiệm chi phí và thời gian, đồng thời nâng cao chất lượng sản phẩm.

Kết luận

  • Đề tài đã xây dựng thành công mô hình mạng nơ-ron nhân tạo dự đoán độ bền kéo của đường hàn trong công nghệ ép phun nhựa với độ chính xác cao (R² đạt 0.95).
  • Các thông số ép phun như thời gian phun và thời gian định hình có ảnh hưởng đáng kể đến độ bền kéo, cần được tối ưu hóa trong sản xuất.
  • Thuật toán huấn luyện Levenberg-Marquardt và Bayesian Regularization đều có ưu điểm riêng, phù hợp với các cấu hình mạng khác nhau và bộ dữ liệu nhỏ.
  • Kết quả nghiên cứu giúp giảm chi phí thử nghiệm thực tế, nâng cao hiệu quả sản xuất loạt nhỏ và cải thiện chất lượng sản phẩm nhựa.
  • Đề xuất tiếp theo là mở rộng bộ dữ liệu và phát triển các mô hình mạng nơ-ron sâu hơn để nâng cao khả năng dự đoán và ứng dụng trong các loại nhựa khác nhau.

Hành động tiếp theo là triển khai áp dụng mô hình ANN trong quy trình sản xuất thực tế và đào tạo nhân sự vận hành. Để biết thêm chi tiết và hỗ trợ kỹ thuật, quý độc giả và doanh nghiệp có thể liên hệ với tác giả hoặc phòng nghiên cứu của Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.