Physics-Informed Neural Network with Adaptive Path Compensation for Intelligent Corner Error Prediction in Wire Electrical Discharge Machining

في عالم صناعة الأجزاء عالية الدقة، توجد تقنية تُسمى التشغيل بالتفريغ الكهربائي بالسلك. تخيل سلكاً رفيعاً متحركاً يعمل كمنشار، ولكن بدلاً من القطع عن طريق الاحتكاك، فإنه يزيل المادة عن طريق إرسال شرارات صغيرة ومتحكم بها لصهر المعدن. هذه الطريقة ضرورية لتشكيل المواد الصلبة المستخدمة في مجالات الطيران والأجهزة الطبية، حيث يمكن لخطأ مجهري واحد أن يتلف القطعة بالكامل. ومع ذلك، عندما يحاول السلك الالتفاف حول زاوية حادة، فإنه يعاني؛ فبسبب وجود السلك تحت حالة من الشد وتحركه بسرعة، لا يمكنه تغيير اتجاهه لحظياً، بل يتأخر عن المسار، وينحني قليلاً مثل حبل يُسحب حول منحنى. وفي الوقت نفسه، تتسبب الحرارة الشديدة الناتجة عن الشرارات في تمدد المعدن وتغير الفجوة بين السلك وقطعة العمل. وتتحد هذه الحقائق الفيزيائية معاً لتخلق "خطأ الزاوية"، حيث يصبح الشكل النهائي مستديراً أو غير محاذٍ بدلاً من أن يكون حاداً ودقيقاً. ولعقود من الزمن، حاول المهندسون إصلاح ذلك عبر ضبط إعدادات الآلة أو تعديل مسار السلك يدوياً، لكن هذه الحلول غالباً ما كانت تتطلب تجربة وخطأ لا ينتهي، وتفشل في مراعاة الفيزياء المعقدة التي تحدث في الوقت الفعلي.

لقد طور فريق من الباحثين من الهند وإثيوبيا طريقة جديدة لحل هذه المشكلة من خلال تعليم الكمبيوتر فهم قوانين الفيزياء جنباً إلى جنب مع البيانات المستمدة من التجارب. لقد أنشأوا نظاماً لا يكتفي بمجرد التخمين بناءً على الأرقام السابقة، بل "يعرف" فعلياً كيف ينحني السلك وكيف تنتقل الحرارة عبر المعدن. ومن خلال الجمع بين نموذج تعلم حاسوبي قياسي والقواعد الرياضية التي تحكم انحراف السلك والتمدد الحراري، بنوا أداة يمكنها التنبؤ بدقة بحجم الخطأ الذي سيحدث عند الزاوية قبل أن تبدأ الآلة في القطع حتى. وبمجرد أن يتنبأ الكمبيوتر بالخطأ، يقوم تلقائياً بتعديل مسار السلك، مضيفاً بالضبط القدر المناسب من المسافة الإضافية للتعويض عن التأخر والحرارة. هذا النهج، الذي أطلقوا عليه اسم "الشبكة العصبية الموجهة بالفيزياء مع تعويض المسار التكيفي"، يسمح للآلة بتصحيح مسارها في الوقت الفعلي، محولةً عملية كانت عرضة للتخمين إلى عملية دقيقة وذكية.

لاختبار فكرتهم، أجرى الباحثون سلسلة من التجارب على الفولاذ المقاوم للصدأ، وهو مادة شائعة الاستخدام في الصناعة. قاموا بضبط آلة لقطع الزوايا بزايا مختلفة وتحت ظروف متنوعة، مثل سرعات وجهود كهربائية مختلفة، وسجلوا النتائج في 27 تجربة اختبار متميزة. ثم أدخلوا هذه البيانات في نظامهم الجديد، جنباً إلى جنب مع المعادلات الفيزيائية التي تصف سلوك السلك. تعلم النظام التنبؤ بحجم خطأ الزاوية بدقة ملحوقة. وعندما قارنوا طريقتهم الجديدة بالنماذج الإحصائية التقليدية وبرامج التعلم الحاسوبي القياسية، كان الفرق واضحاً؛ إذ نجحت النماذج التقليدية في الوصول إلى الإجابة الصحيحة بنسبة تتراوح بين 72% إلى 87%، بينما حقق نظامهم الجديد القائم على الفيزياء دقة بلغت 96%. والأهم من ذلك، أن النظام الجديد قلل من الحجم الفعلي لخطأ الزاوية بنسبة 31% عندما طبق تصحيحات المسار التلقائية، مما أثبت أن فهم الفيزياء الكامنة وراء العملية يؤدي إلى نتائج أفضل من مجرد النظر إلى الأرقام.

أراد الباحثون أيضاً فهم السبب وراء نجاح نظامهم بهذا الشكل الكبير، لذا قاموا بتفكيكه لمعرفة أي الأجزاء كانت هي الأكثر تأثيراً. ووجدوا أن القواعد الفيزيائية التي أضافوها إلى عملية التعلم الحاسوبي كانت مسؤولة عن جزء كبير من التحسن، حيث ساعدت النظام على تجنب التخمينات العشوائية التي قد تتناسب مع البيانات ولكنها تنتهك قوانين الفيزياء. كما كان تعديل المسار التلقائي أمراً حاسماً، لأنه حول التنبؤ إلى إصلاح عملي. ومن خلال الجمع بين هذين العنصرين، تفوق النظام على نموذج التعلم الحاسوبي القياسي بفارق كبير. يشير هذا العمل إلى أن مستقبل التصنيع عالي الدقة لا يكمن فقط في جمع المزيد من البيانات، بل في تعليم الآلات احترام العالم الفيزيائي الذي تعمل فيه. ومن خلال جسر الفجوة بين البيانات التجريبية الخام والقوانين الأساسية للطبيعة، تقدم هذه الطريقة الجديدة وسيلة موثوقة لإنتاج زوايا أكثر حدة ودقة في الأجزاء المعقدة التي تعتمد عليها التكنولوجيا الحديثة.