Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

تخيل أرضية مصنع حيث لا تُنحت الأجزاء المعدنية الضخمة من كتلة صلبة، بل تُبنى، طبقة تلو الأخرى، من تدفق معدن منصهر. هذا هو "الترسيب بالطاقة الموجهة"، وهي طريقة تصنيع عالية التقنية تُستخدم لإنشاء كل شيء، بدءاً من مكونات المحركات النفاثة وصولاً إلى الغرسات الطبية. إنها عملية قوية ومرنة، قادرة على إصلاح الآلات باهظة الثمن أو طباعة أشكال معقدة يستحيل صنعها بأي طريقة أخرى. ومع ذلك، فإن هذه العملية صعبة التحكم بشكل ملحوظ؛ حيث يتم صهر المعدن بواسطة مصادر حرارة شديدة مثل الليزر أو الأقواس الكهربائية، مما يخلق حوضاً صغيراً ومتقدًا من السائل الذي يبرد ويتصلب في جزء من الثانية. ولأن هذا يحدث بسرعة فائقة ويتضمن درجات حرارة قصوى، فإن العملية تكون غير مستقرة، إذ يمكن أن تظهر فيها بسهولة شقوق خفية، أو ثقوب، أو نقاط ضعف تفسد الجزء النهائي. تقليدياً، كان إصلاح هذه المشكلات يعني دورة بطيئة ومكلفة من التجربة والخطأ: ضبط الآلة، بناء الجزء، قطعه لفحصه، اكتشاف الخلل، تغيير الإعدادات، ثم المحاولة مرة أخرى.

ولكسر هذه الدورة، يتجه الباحثون إلى أداتين قويتين: تعلم الآلة والتوائم الرقمية. تعلم الآلة هو نوع من الذكاء الحاسوبي الذي يتعلم التعرف على الأنماط من كميات هائلة من البيانات، تماماً كما يتعلم الإنسان تمييز العيوب من خلال النظر إلى آلاف الأمثلة. أما التوأم الرقمي، فهو نسخة افتراضية من الآلة الفيزيائية والجزء الذي يتم بناؤه. وهو ليس مجرد نموذج ثلاثي الأبعاد ثابت، بل هو محاكاة حية تتلقى بيانات في الوقت الفعلي من مستشعرات تراقب الآلة الفعلية، مما يسمح له بمحاكاة العالم المادي أثناء حدوثه. وعندما يجتمع هذان التقنيتان، فإنهما تعدان بتحويل التصنيع من عملية تفاعلية، حيث تُكتشف العيوب بعد وقوعها، إلى عملية استباقية، حيث يتم التنبؤ بالمشكلات وتصحيحها قبل أن يبرد المعدن حتى.

قام فريق من الباحثين في جامعة تكساس ريو غراندي فالي مؤخاً بمحاولة رسم خارطة للحالة الراهنة لهذه التكنولوجيا. فقد أجروا مراجعة منهجية لـ 130 دراسة علمية نُشرت بين عامي 2016 و2026، وحللوا كيفية استخدام تعلم الآلة والتوائم الرقمية في الترسيب بالطاقة الموجهة حالياً. ويكشف عملهم، الذي نُشر في مراجعة أدبية منهجية، عن مجال يتقدم بسرعة ولكنه لا يزال يقف على حافة تحول كبير. وجد الباحثون أنه بينما أصبح العلماء بارعين جداً في استخدام الكاميرات والمستشعرات لمراقبة العملية والتنبؤ بما قد يسوء، إلا أنهم لم يتقنوا بعد القدرة على إصلاح تلك المشكلات تلقائياً في الوقت الفعلي.

وتسلط المراجعة الضوء على أن المواد الأكثر شيوعاً التي تتم دراستها هي أنواع محددة من الفولاذ وسبائك النيكل الفائقة، وهي مواد أساسية لصناعات الطيران والطاقة. وأكثر طرق التصنيع استخداماً هي الترسيب بالقوس السلكي، الذي يستخدم قوساً كهربائياً لصهر سلك معدني، والترسيب القائم على الليزر، الذي يستخدم ليزراً عالي القدرة لصهر مسحوق معدني. وفي هذه الدراسات، ينصب التركيز الأساسي على "رؤية" العملية؛ حيث زود الباحثون الآلات بكاميرات عالية السرعة ومستشعرات حرارية لالتقاط صور للحوض المنصهر. ثم يقومون بتغذية هذه البيانات المرئية في نماذج تعلم الآلة، وغالباً ما يستخدمون شبكات عصبية معقدة تعمل كأعين رقمية. وقد أظهرت هذه النماذج نجاحاً ملحوظاً في تحديد العيوب؛ حيث أفادت بعض الدراسات أن هذه الأنظمة يمكنها اكتشاف الشقوق أو الثقوب بدقة تتجاوز 99 بالمائة، أو التنبؤ بشكل الخرزة المعدنية بدقة عالية.

ومع ذلك، يشير المؤلفون إلى وجود فجوة حرجة بين رؤية المشكلة وحلها. فمعظم أنظمة التوأم الرقمي التي تمت مراجعتها حتى الآن تعمل أشبه بـ "ظل رقمي". في هذا الإعداد، تتدفق البيانات في اتجاه واحد: من الآلة الفيزيائية إلى النموذج الافتراضي. يمكن للنموذج الافتراضي أن يخبر المشغلين: "انظر، هناك عيب يتشكل"، أو "درجة الحرارة مرتفعة جداً". لكنه نادراً ما يتخذ إجراءً من تلقاء نفسه. فالارتباط بين التنبؤ الافتراضي والآلة الفيزيائية غالباً ما يكون مقطوعاً. فبدلاً من أن يقوم الكمبيوتر تلقائياً بتعديل قوة الليزر أو سرعة ذراع الروبوت لتصحيح الخطأ، فإن النظام عادة ما يتوقف وينتظر تدخل المشغل البشري. ويشير الباحثون إلى أنه بينما أظهرت بعض الدراسات المتقدمة قدرة على "التحكم في الحلقة المغلقة" – حيث يقوم النظام تلقائياً بتعديل العملية لإصلاح الخطأ – إلا أن هذه الحالات هي الاستثناء وليست القاعدة.

كما تحدد المراجعة عقبات كبيرة تمنع استخدام هذه التقنيات على نطاق واسع في الصناعة. وتتمثل إحدى المشكلات الرئيسية في نقص البيانات؛ فتدريب نموذج تعلم الآلة يتطلب آلاف الأمثلة للأجزاء الجيدة والسيئة على حد سواء. وفي الترسيب بالطاقة الموجهة، يعد إنشاء هذه الأمثلة أمراً مكلفاً ويستغرق وقتاً طويلاً، إذ يتطلب الأمر غالباً تدمير الجزء المكتمل لفحصه بحثاً عن العيوب الداخلية، مما يعني أن الباحثين لا يمكنهم جمع مجموعات البيانات الضخمة اللازمة لتعليم الحواسيب بسهولة. ولمواجهة ذلك، يستخدم بعض الباحثين تقنيات مثل "تعلم النقل"، حيث يتم تكييف نموذج تم تدريبه على نوع من المعادن ليعمل على نوع آخر، أو يستخدمون محاكاة قائمة على الفيزياء لتوليد بيانات افتراضية. ومع ذلك، يحذر المؤلفون من أن هذه الأساليب ليست مثالية، فغالباً ما يواجه النموذج الذي تم تدريبه على آلة واحدة أو مادة واحدة صعوبة في العمل على إعداد مختلف، مما يحد من فائدته في بيئة مصنع متنوعة.

علاوة على ذلك، وجد الباحثون أن التوائم الرقمية الحالية غالباً ما تكون بسيطة للغاية بحيث لا تستطيع التعامل مع تعقيدات التصنيع في العالم الحقيقي. فالتوأم الرقمي الحقيقي يجب أن يكون قادراً على التواصل ذهاباً وإياباً مع الآلة الفيزيائية، وتحديث فهمه باستمرار بناءً على البيانات الجديدة واستخدام تلك المعرفة لتوجيه أفعال الآلة. حالياً، العديد من الأنظمة مجزأة؛ فقد تكون ممتازة في مراقبة درجة الحرارة أو التنبؤ بالشكل الهندسي، لكنها تفتقر إلى القدرة على دمج كل هذه المعلومات في عملية واحدة لاتخاذ القرار بشكل مستقل. وتشير المراجعة إلى أنه لكي تصل هذه التقنيات إلى كامل إمكاناتها، يحتاج المجال إلى الانتقال من مجرد تجارب معزولة. يجب أن يركز البحث المستقبلي على إنشاء أنظمة معيارية يمكنها التعامل مع البيانات من مستشعرات متعددة في آن واحد، والعمل في الوقت الفعلي دون تأخير، والأهم من ذلك، إغلاق الحلقة بين التنبؤ والفعل.

ويخلص المؤلفون إلى أنه بينما تم وضع الأساس، إلا أن البناء لم يكتمل بعد. إن القدرة على التنبؤ بالعيوب أصبحت راسخة، لكن القدرة على تصحيحها ذاتياً لا تزال غير مكتملة. الخطوة التالية للصناعة هي تطوير أنظمة قوية ذات حلقة مغلقة، حيث لا تكتفي الآلة بمراقبة نفسها، بل تقود مسارها بنشاط. وهذا يتطلب ليس فقط خوارزميات أفضل، بل أيضاً دمجاً أعمق للقوانين الفيزيائية في النماذج الحاسوبية، والتزاماً بمشاركة البيانات عبر مختلف الآلات والمواد. وحتى ذلك الحين، سيظل الترسيب بالطاقة الموجهة تقنية ذات وعود كبيرة، يكبلها الحاجة إلى جسر الفجوة بين مراقبة العملية والتحكم الحقيقي فيها.