Geometric and Topological Deep Learning for Predicting Thermo-mechanical Performance in Cold Spray Deposition Process Modeling

ملخص تقني مفصل لورقة بحثية بعنوان: "التعلم العميق الهندسي والطوبولوجي للتنبؤ بالأداء الحراري-الميكانيكي في نمذجة عملية الترسيب بالرش البارد"

1. بيان المشكلة

الرش البارد هو عملية تصنيع مضافة في الحالة الصلبة، حيث يتم تسريع الجسيمات المعدنية إلى سرعات فوق صوتية لتلتصق بالركيزة عبر تشوه بلاستيكي شديد بدلاً من الانصهار. تعتمد السلامة الميكانيكية للطبقة المترسبة على تفاعلات حرارية-ميكانيكية معقدة وعالية الاقتران، تحكمها سرعة اصطدام الجسيمات، ودرجة حرارة الجسيم، واحتكاك الواجهة.

بينما تعد نمذجة العناصر المحدودة (FE) (مثل استخدام Abaqus) هي الأداة القياسية لاستقصاء ميكانيكا اصطدام الجسيم المنفرد، إلا أنها مكلفة حاسوبياً. إن الاستكشاف البارامتري الشامل لمساحة المدخلات (السرعة، درجة الحرارة، الاحتكاك) عبر المحاكاة أمر غير ممكن عملياً. تفشل نماذج البدائل التقليدية للتعلم الآلي (مثل الشبكات العصبية متعددة الطبقات MLP القياسية، أو الغابات العشوائية) في استغلال العلاقات الهندسية والاستمرارية المكانية الموجودة بين العينات في مناطق مماثلة من مساحة المعلمات، حيث تتعامل مع عينات المحاكاة كأرصاد مستقلة. هذا القصور يعد أمراً حرجاً عندما تكون البيانات شحيحة والفيزياء الكامنة غير خطية للغاية.

2. المنهجية

أ. توليد البيانات (محاكاة العناصر المحدودة)

• الهندسة: نموذج ثلاثي الأبعاد لجسيم ألومنيوم كروي (نصف قطره $40\,\mu m$) يصطدم بركيزة ألومنيوم أسطوانية (نصف قطرها $250\,\mu m$، وعمقها $250\,\mu m$).
• النموذج المادي: إطار عمل بنيوي مقترن حرارياً-ميكانيكياً باستخدام نموذج بلاستيكية Johnson-Cook (الذي يأخذ في الاعتبار التصلد بالانفعال، والحساسية لمعدل الانفعال، والتطري الحراري) ومعادلة حالة (EOS) خطية لسرعة الصدمة-سرعة الجسيم.
• الشبكة (Meshing): صقل شبكي تكيفي (ALE) مع شبكة دقيقة ($2.5\,\mu m$) عند منطقة الاصطدام لالتقاط تدرجات التشوه القصوى.
• الدراسة البارامترية: قام إطار عمل مؤتمت بلغة بايثون داخل برنامج Abaqus بتوليد 100 حالة محاكاة تختلف في:
  • سرعة الجسيم ($V$): 400–900 م/ث
  • درجة حرارة الجسيم ($T_p$): 300–600 كلفن
  • معامل الاحتكاك ($\mu$): 0.10–0.50
• المخرجات: خمسة متغيرات مستهدفة وهي: أقصى انفعال بلاستيكي مكافئ (PEEQ)، متوسط انفعال PEEQ عند التلامس، أقصى درجة حرارة، أقصى إجهاد فون ميسيس (Von Mises)، ونسبة التشوه.

ب. إطار التعلم العميق الهندسي

بدلاً من التعامل مع البيانات كجدول مسطح، قام المؤلفون ببناء رسم بياني لـ k-أقرب جار (k-NN graph) في مساحة الميزات الموحدة. كل حالة محاكاة تمثل عقدة، وتربط الحواف بين مجموعات المعلمات المتشابهة، وتكون موزونة بواسطة نواة غاوسية بناءً على المسافة الإقليدية.

تم تنفيذ ومقارنة أربع خوارزميات متميزة:

1. GraphSAGE: شبكة عصبية رسومية استقرائية تستخدم تمرير الرسائل المتوسط الموزون لتجميع معلومات الجيران.
2. Chebyshev Spectral GNN: تستخدم تقريبات حدوديات تشيبيشيف لمؤثر لابلاس (Laplacian) للالتفاف الطيفي.
3. TDA-augmented MLP: شبكة عصبية متعددة الطبقات قياسية معززة بوصفات التحليل الطوبولوجي للبيانات (TDA) (التي تعتمد على الاتصال/كثافة الهومولوجيا المستمرة).
4. Geometric Attention Network (GAT): تستخدم آلية انتباه لوزن أهمية العقد المجاورة ديناميكياً، وتكون معدلة بواسطة أوزان الحواف الهندسية.

3. المساهمات الرئيسية

• تطبيق مبتكر: أول تطبيق للتعلم العميق الهندسي والطوبولوجي خصيصاً للتنبؤ باصطدام جسيمات الرش البارد.
• الانحياز الاستقرائي (Inductive Bias): أثبتت الدراسة أن دمج تجميع الجوار القائم على الرسم البياني المكاني يعمل كتحيز استقرائي مدفوع فيزيائياً، مما يسمح بالتقاط الاستجابات الفيزيائية المستمرة والناعمة بشكل أفضل من النماذج النقطية.
• التحليل المقارن: قدمت الدراسة مقارنة مرجعية صارمة لاستراتيجيات التعلم الرسومي الطيفية والطوبولوجية والقائمة على الانتباه مقابل مجموعة بيانات حرارية-ميكانيكية معقدة وغير خطية.
• تصوير مساحة الميزات: قدمت تحليلات مستويات التصوير (Contour) والأسطح ثلاثية الأبعاد تفاصيل توضح أن سرعة الجسيم هي المحرك المهيمن للتشوه والاستجابة الحرارية، بينما تعمل درجة الحرارة والاحتكاك كمعدلات ثانوية مقترنة.

4. النتائج

أ. طوبولوجيا مساحة الميزات

• هيمنة السرعة: أكدت مخططات الـ Contour أن الانفعال البلاستيكي ونسبة التشوه محكومان بشكل طاغٍ بالسرعة. عندما يتم استبعاد السرعة من الإسقاطات ثنائية الأبعاد (مثل درجة الحرارة مقابل الاحتكاك)، تصبح أسطح الاستجابة غير منتظمة، متفرقة، وغير بديهية فيزيائياً.
• اللاخطية: العلاقة بين المدخلات والمخرجات غير خطية للغاية. على سبيل المثال، يظهر إجهاد فون ميسيس آليات متنافسة (التصلد مقابل التطري) مما يؤدي إلى ذرى موضعية بدلاً من اتجاهات رتيبة.

ب. أداء النماذج

تم تقييم النماذج باستخدام $R^2$، ومتوسط مربع الخطأ (MSE)، ومتوسط الخطأ المطلق (MAE).

• الأفضل أداءً: تفوق كل من GraphSAGE و GAT باستمرار على جميع الطرق الأخرى.
  • حقق GAT أعلى دقة لـ أقصى PEEQ ($R^2 = 0.97$) و أقصى درجة حرارة ($R^2 = 0.95$).
  • تميز GraphSAGE في متوسط PEEQ عند التلامس ($R^2 = 0.98$) و نسبة التشوه ($R^2 = 0.94$).
  • حقق كلا النموذجين $R^2 > 0.93$ عبر معظم الأهداف، مما يشير إلى تعميم قوي.
• الأقل أداءً:
  • كان أداء ChebSpectral و TDA-MLP أسوأ بكثير.
  • سجلت TDA-MLP قيم $R^2$ سالبة لعدة أهداف (مثل $R^2 = -0.21$ لدرجة الحرارة القصوى)، مما يشير إلى فشلها في تعلم العلاقة الأساسية وأدائها بشكل أسوأ من مجرد خط أساس أفقي بسيط.
  • أظهر ChebSpectral أداءً متوسطاً ($R^2 \approx 0.3-0.5$) لكنه فشل في التقاط اللاخطيات الدقيقة.

ج. التصوير البياني

أظهرت مخططات (المتوقع مقابل الفعلي) لكل من GraphSAGE و GAT تكتلاً وثيقاً حول خط الهوية القطري، بينما أظهرت نماذج TDA-MLP و ChebSpectral توزيعات مشتتة وعشوائية.

5. الأهمية والخاتمة

تثبت هذه الدراسة أن تجميع الجوار القائم على الرسم البياني المكاني هو استراتيجية متفوقة لنمذجة البدائل في عمليات الرش البارد مقارنة بنماذج MLP التقليدية أو النهج الطوبولوجية/الطيفية البحتة.

• القابلية للتفسير الفيزيائي: يؤكد نجاح GraphSAGE و GAT أن الاستجابة الحرارية-الميكانيكية للرش البارد مستمرة محلياً؛ حيث أن معرفة استجابة مجموعات المعلمات "المجاورة" يساعد بشكل كبير في التنبؤ باستجابة مجموعة محددة.
• الكفاءة: توفر هذه النماذج بديلاً فعالاً حاسوبياً لتشغيل آلاف عمليات محاكاة العناصر المحدودة المكلفة لتحسين العمليات.
• العمل المستقبلي: يوفر هذا الإطار أساساً لتوسيع النماذج لتشمل سيناريوهات ترسيب متعددة الجسيمات والتنبؤ بخصائص البنية المجهرية، والانتقال من ميكانيكا الجسيم المنفرد إلى أداء الطلاء الكامل.

باختصار، تثبت الورقة أن معاملة بيانات المحاكاة كرسم بياني هندسي بدلاً من نقاط مستقلة يفتح القدرة على نمذجة الفيزياء المعقدة وغير الخطية للرش البارد بدقة، مع بروز شبكات الانتباه الرسومية (GAT) و GraphSAGE كأكثر الأدوات فعالية في هذا المجال.