فهرست مطالب

1. مقدمه
2. ضرورت شناسایی ترک در شمش‌های آلومینیومی
3. اصول و مروری بر روش‌های غیرمخرب
4. روش‌های پیشرفته آزمون فراصوتی (Ultrasonic Testing, UT)
5. فناوری جریان گردابی (Eddy Current Testing, ECT)
6. آزمون تشعشع ایکس (X-ray/CT) و پردازش تصویر دیجیتال
7. رویکردهای ترکیبی و الگوریتم‌های هوشمند
8. مطالعه موردی صنعتی: پایش برخط شمش آلومینیوم با UT فازی
9. تحلیل داده‌ها و جداول تخصصی
10. نتیجه‌گیری و افق آینده
11. منابع و مراجع

1. مقدمه

در صنعت آلومینیوم، کیفیت ساختاری شمش‌ها نقش بنیادی در پایداری، دوام و خواص نهایی محصولات پایین‌دستی مانند راد، مفتول و هادی دارد. ترک‌های میکروسکوپی یا ماکروسکوپی که طی فرآیند ریخته‌گری یا انجماد شمش شکل می‌گیرند، اگر به‌موقع شناسایی و حذف نشوند، منجر به تضعیف مکانیکی، ایجاد تمرکز تنش، و حتی رد کامل محصول در استانداردهای بین‌المللی می‌شوند.
روش‌های غیرمخرب پیشرفته، ابزاری کارآمد برای شناسایی زودهنگام این عیوب هستند و با داده‌محور شدن خطوط تولید، امکان کنترل کیفیت برخط و بازدهی اقتصادی بالاتر را فراهم می‌کنند.

الکا مهر کیمیا یکی از تولیدکنندگان پیشرو راد آلومینیومی خالص و آلیاژی، مفتول‌ها، هادی‌ها، شمش‌ها و کابل‌ و فویل های آلومینیومی در شمال‌غرب ایران و تبریز است که به تجهیزات پیشرفته تولید مجهز می‌باشد. در الکا مهر کیمیا، با تعهد به کیفیت ، از طریق مهندسی دقیق و کنترل تولید سخت‌گیرانه، محصولاتی با بالاترین کیفیت و مناسب‌ترین قیمت تولید می‌کنیم.

2. ضرورت شناسایی ترک در شمش‌های آلومینیومی

در فرآیند ریخته‌گری پیوسته یا نیمه‌پیوسته آلومینیوم، تنش‌های حرارتی، ناهمگنی ترکیب و سردشدگی موضعی منجر به ایجاد ترک‌های سطحی یا داخلی می‌شوند. بر اساس آمار منتشرشده توسط انجمن آلومینیوم آمریکا، ترک‌ها تا 35٪ از دلایل رد شمش‌ها را در بازرسی‌های اولیه تشکیل می‌دهند.
ترک‌های طولی و عرضی می‌توانند سبب شکست زودهنگام در فرآیندهای نورد و اکستروژن شوند و هزینه‌های قابل توجهی به خط تولید تحمیل کنند. استانداردهای بین‌المللی (مانند ASTM E155، ASTM E2375) خواستار بازرسی صددرصدی و مستندشده هستند؛ از این رو، استفاده از فناوری‌های غیرمخرب پیشرفته اجتناب‌ناپذیر است.

3. اصول و مروری بر روش‌های غیرمخرب

روش‌های غیرمخرب (Nondestructive Testing, NDT) مجموعه‌ای از فناوری‌های صنعتی هستند که بدون آسیب به قطعه، عیوب سطحی و زیرسطحی را شناسایی می‌کنند. مهم‌ترین روش‌های رایج عبارتند از:

• آزمون فراصوتی (UT)
• جریان گردابی (ECT)
• آزمون پرتونگاری ایکس و سی‌تی اسکن (X-ray/CT)
• آزمون ذرات مغناطیسی (در آلومینیوم قابل‌استفاده نیست)
• آزمون نشر صوتی (Acoustic Emission)

در سال‌های اخیر، ترکیب این روش‌ها با پردازش تصویر دیجیتال و الگوریتم‌های یادگیری ماشین باعث افزایش دقت و سرعت شناسایی ترک شده است.

4. روش‌های پیشرفته آزمون فراصوتی (Ultrasonic Testing, UT)

آزمون فراصوتی یکی از دقیق‌ترین روش‌های شناسایی ترک در شمش‌های آلومینیومی است. در این روش، امواج فراصوت با فرکانس مشخص به درون شمش ارسال شده و بازتاب آن‌ها از مرزهای عیب (ترک، منفذ، تخلخل) ثبت و تحلیل می‌شود.

• استفاده از پراب‌های فازی (Phased Array) با قابلیت اسکن سه‌بعدی، امکان نقشه‌برداری حجمی ترک را فراهم می‌کند.
• مزایا: حساسیت بالا برای ترک‌های زیرسطحی (تا عمق 300 میلی‌متر)، دقت فضایی عالی (رزولوشن تا 0.3 میلی‌متر)
• چالش‌ها: نیاز به تنظیم دقیق زاویه پراب و فیلترینگ سیگنال‌های مزاحم
• با به‌کارگیری الگوریتم‌های هوشمند پردازش سیگنال، تمایز بین ترک‌های واقعی و نویز ساختاری بهبود یافته است.

جدول 1: مقایسه کارایی UT در شناسایی ترک‌های مختلف

5. فناوری جریان گردابی (Eddy Current Testing, ECT)

جریان گردابی یا ECT، روشی کارآمد برای شناسایی ترک‌های سطحی و نزدیک به سطح است. این فناوری بر اساس القای میدان مغناطیسی و پاسخ جریان گردابی القایی در فلز عمل می‌کند.

• مناسب برای شناسایی ترک‌هایی با عمق کمتر از 5 میلی‌متر و طول بیش از 0.5 میلی‌متر
• قابلیت اسکن سریع بر سطح وسیع شمش
• ادغام با سامانه‌های اتوماسیون برای بازرسی پیوسته خطوط تولید
• محدودیت اصلی: کاهش حساسیت با افزایش عمق ترک و اثرات هندسی سطح (مانند لبه‌های تیز یا زبری سطح)

در پروژه‌های صنعتی، ترکیب ECT با UT برای تضمین بازرسی کامل (سطحی و حجمی) به‌ویژه در شمش‌های با مقطع بزرگ توصیه می‌شود.

جدول 2: مقایسه UT و ECT در بازرسی ترک شمش

6. آزمون تشعشع ایکس (X-ray/CT) و پردازش تصویر دیجیتال

استفاده از پرتونگاری ایکس و سی‌تی اسکن صنعتی، امکان تصویربرداری مقطعی و سه‌بعدی از شمش آلومینیومی را فراهم می‌کند.

• X-ray دیجیتال: مناسب ترک‌های بزرگ‌تر از 1 میلی‌متر و عیوب حجیم
• CT صنعتی: تصویربرداری سه‌بعدی با دقت زیر 50 میکرون
• قابلیت استفاده از الگوریتم‌های شناسایی خودکار ترک با یادگیری عمیق (Deep Learning)
• داده‌های به‌دست‌آمده می‌تواند برای تحلیل علل ریشه‌ای ترک و اصلاح پارامترهای ریخته‌گری به کار رود.

در خطوط پیشرفته تولید، داده‌های X-ray و CT مستقیماً به سامانه MES کارخانه منتقل و برای ردیابی کیفیت هر شمش ثبت می‌شوند.

جدول 3: مقایسه کارایی روش‌های غیرمخرب پیشرفته

7. رویکردهای ترکیبی و الگوریتم‌های هوشمند

در سال‌های اخیر، پژوهشگران و تولیدکنندگان پیشرو با ترکیب چند فناوری غیرمخرب و به‌کارگیری الگوریتم‌های پردازش تصویر و یادگیری ماشین، دقت شناسایی ترک‌ها را به‌طور چشمگیری افزایش داده‌اند. برای مثال:

• تحلیل هم‌زمان داده‌های UT و CT با شبکه عصبی، برای کاهش خطای انسانی و افزایش سرعت شناسایی
• سامانه‌های مبتنی بر یادگیری عمیق برای تشخیص ترک‌های ریز و نامنظم حتی در حضور نویز ساختاری
• توسعه پایگاه داده عیوب، برای آموزش مدل‌های هوشمند و بومی‌سازی الگوهای شناسایی متناسب با هر خط تولید

این رویکردها باعث شده نرخ خطا در تشخیص ترک‌ها تا کمتر از 0.5٪ کاهش یابد و قابلیت ردیابی کامل هر شمش از لحظه ریخته‌گری تا ارسال فراهم گردد.

8. مطالعه موردی صنعتی: پایش برخط شمش آلومینیوم با UT فازی

متدولوژی

در سال 2023، یک شرکت بزرگ اروپایی در صنعت آلومینیوم، سامانه پایش برخط شمش را با استفاده از UT فازی و هوش مصنوعی به بهره‌برداری رساند.

• تجهیزات: پراب فازی چندآرایه، اسکنر روباتیک و سامانه پردازش تصویر هوشمند
• ظرفیت: بازرسی 80 تن شمش در روز، با دقت ترک‌یابی تا 0.3 میلی‌متر
• پایش آنلاین داده‌ها و صدور هشدار اتوماتیک هنگام شناسایی عیب

نتایج و تحلیل پیامدها

• کاهش ضایعات شمش به میزان 18٪
• افزایش سرعت بازرسی از 2 شمش در ساعت به 12 شمش در ساعت
• افزایش نرخ شناسایی دقیق ترک‌ها به بالای 99.5٪
• صرفه‌جویی سالانه 1.2 میلیون یورو در هزینه بازفرآوری شمش‌های معیوب
  این تجربه صنعتی نشان داد که با ترکیب فناوری UT فازی و پردازش داده هوشمند، می‌توان کنترل کیفیت شمش‌های آلومینیومی را در مقیاس صنعتی به سطح بالایی ارتقاء داد.

9. تحلیل داده‌ها و جداول تخصصی

جدول 4: نرخ موفقیت شناسایی ترک با فناوری‌های مختلف

10. نتیجه‌گیری و افق آینده

کاربرد روش‌های غیرمخرب پیشرفته، به‌ویژه UT فازی و جریان گردابی هوشمند، مسیر شناسایی سریع و دقیق ترک در شمش‌های آلومینیومی را هموار ساخته است. تلفیق این فناوری‌ها با هوش مصنوعی و تحلیل داده‌های بزرگ، امکان واکنش به عیوب ساختاری را به‌صورت برخط و اتوماتیک فراهم کرده و سطح اطمینان در خطوط تولید پیشرفته را ارتقاء داده است.
با توسعه پردازش تصویر، یادگیری عمیق و هوشمندسازی خطوط تولید، انتظار می‌رود ظرف پنج سال آینده، نرخ خطای انسانی در بازرسی به صفر نزدیک شود و بازرسی صددرصدی در تمامی مراحل تولید شمش عملی گردد.

منابع و مراجع

1. https://www.tms.org
2. https://www.aluminum.org
3. https://international-aluminium.org
4. https://www.lightmetalage.com
5. https://jalloys.org
6. https://www.sciencedirect.com/topics/engineering/aluminum
7. https://www.springer.com/journal/10853
8. https://www.materialstoday.com
9. https://onlinelibrary.wiley.com/journal/15272648
10. https://mdpi.com/journal/metals
11. https://www.asminternational.org
12. https://european-aluminium.eu
13. https://www.materialsperformance.com
14. https://www.researchgate.net
15. https://ieeexplore.ieee.org
16. https://aluminiuminsider.com
17. https://www.sciencedirect.com/journal/journal-of-materials-processing-technology
18. https://aluminium.ca
19. https://mining-journal.com
20. https://alcircle.com
21. https://www.statista.com
22. https://scholar.google.com
23. https://www.sciencedirect.com/science/article/pii/S0261306924000107
24. https://www.mdpi.com/2075-4701/13/3/498
25. https://www.sciencedirect.com/science/article/pii/S2352938523003602