💻 computer science

Hybrid Machine Learning and Physical Modeling of Feedstock Deformation During Robotic 3D Printing of Continuous Fiber Thermoplastic Composites

यह शोध पत्र एक हाइब्रिड भौतिकी-आधारित और डेटा-संचालित मॉडलिंग ढांचे को प्रस्तुत करता है, जो रोबोटिक 3D प्रिंटिंग के दौरान निरंतर फाइबर थर्मोप्लास्टिक फीडस्टॉक विरूपण (deformation) की सटीक भविष्यवाणी और सत्यापन करने के लिए केल्विन-वोइग्ट विस्कोइलास्टिसिटी को स्टेबलाइज्ड न्यूरल ODEs के साथ जोड़ता है, जो प्रशिक्षण तापमान श्रेणियों से परे मजबूत सामान्यीकरण का प्रदर्शन करता है।

मूल लेखक: Chady Ghnatios, Kazem Fayazbakhsh

प्रकाशित 2026-05-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chady Ghnatios, Kazem Fayazbakhsh

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप टेप की लंबी, चिपचिपी पट्टियों से एक दीवार बनाने की कोशिश कर रहे हैं। आप उन्हें बिल्कुल एक-दूसरे के बगल में बिछाना चाहते हैं ताकि एक चिकनी, ठोस सतह बन सके। लेकिन समस्या यह है कि जैसे ही आप टेप बिछाते हैं, वह सिकुड़ने, मुड़ने और कर्ल होने लगता है। यह ऐसा है जैसे टेप कोई जीवित चीज़ हो जो गर्म फर्श पर पहुँचते ही अपने आकार के बारे में अपना मन बदल लेती है।

यही वह समस्या है जिसे शोधकर्ताओं, घ्नाटियोस (Ghnatios) और फयाज़बख्श (Fayazbakhsh) ने हल किया। वे रोबोटिक 3D प्रिंटिंग पर काम कर रहे हैं, जिसमें निरंतर कार्बन फाइबर (अत्यधिक मजबूत धागे) से बनी विशेष सामग्रियों का उपयोग किया जाता है जिन्हें प्लास्टिक रेजिन में लपेटा जाता है। जब रोबोट इन रेशों को बिछाते हैं, तो सामग्री सिकुड़ती और मुड़ जाती है, जिससे अंतराल (गैप) या ओवरलैप बन जाते हैं जो अंतिम हिस्से को खराब कर देते।

यहाँ उन्होंने सिकुड़ने वाले टेप के रहस्य को कैसे सुलझाया, इसका सरल विवरण दिया गया है:

1. सिकुड़ने वाले टेप का रहस्य

शोधकर्ताओं ने देखा कि जब रोबट इस सामग्री की एक पट्टी बिछाता है, तो उसकी चौड़ाई समान नहीं रहती। यह अपने मूल आकार (लगभग 6.35 मिमी) से सिकुड़कर लगभग 5.3 मिमी रह जाती है। वे जानना चाहते थे कि यह क्यों और कितना सिकुड़ता है ताकि वे रोबट को ठीक से बता सकें कि उसे गैप से बचने के लिए कहाँ हिलना है।

उन्होंने इस सिकुड़न के पीछे तीन मुख्य "दोषियों" की पहचान की:

"ड्राय-आउट" (सूखना): टेप में थोड़ी सी नमी होती है जो गर्म होने पर वाष्पित हो जाती है, जिससे यह सिकुड़ जाता है।
"अनकोइलिंग" (खुलना): टेप प्रिंटिंग से पहले एक स्पूल पर कसकर लपेटा गया था। जब यह गर्म होता है, तो यह उस तनाव को छोड़ देता है, जैसे कोई स्प्रिंग खुल रहा हो, जिससे इसका आकार बदल जाता है।
"क्रिस्टल लॉक" (क्रिस्टल का जमना): टेप के अंदर का प्लास्टिक गर्म होने पर तरल जैसा होता है। जैसे-जैसे यह ठंडा होता है, इसके अणु खुद को एक कठोर, क्रिस्टलीय संरचना में व्यवस्थित करने लगते है (जैसे पानी बर्फ में बदल जाता है)। यह प्रक्रिया सामग्री को दबाती है, जिससे यह और भी अधिक सिकुड़ जाता है।

2. जासूसी का काम: लैब प्रयोग

इन दोषियों को समझने के लिए, उन्होंने टेप को दो विशेष मशीनों में रखा:

"थर्मामीटर" (DSC): इस मशीन ने टेप को गर्म किया और मापा कि इसने कितनी गर्मी अवशोषित की या छोड़ी। इसने उन्हें बताया कि प्लास्टिक कब क्रिस्टल में बदलना शुरू हुआ (लगभग 147°C पर)।
"स्ट्रेची टेस्टर" (DMA): इस मशीन ने टेप के एक टुकड़े को पकड़ा और उसे गर्म और ठंडा करते हुए सटीक रूप से मापा कि वह कितना फैला या सिकुड़ा। उन्होंने यह दो बार किया: एक बार "गर्म" तापमान (120°C) तक और एक बार "बहुत गर्म" तापमान (180°C) तक।

3. हाइब्रिड जासूस: भौतिकी + AI

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने सिकुड़न की भविष्यवाणी करने के लिए एक "हाइब्रिड" जासूसी प्रणाली बनाई। इसे दो विशेषज्ञों की एक टीम के रूप में समझें जो मिलकर काम कर रहे हैं:

विशेषज्ञ A (भौतिकी का प्रोफेसर): यह हिस्सा पुराने गणित और भौतिकी के नियमों (जिसे केल्विन-वोइग्ट मॉडल कहा जाता है) का उपयोग करता है ताकि यह समझ सके कि सामग्री एक स्प्रिंग और एक शॉक एब्जॉर्बर की तरह कैसे व्यवहार करती है। यह जानता है कि प्रकृति के नियमों के आधार पर टेप गर्मी और तनाव के प्रति कैसी प्रतिक्रिया देता है।
विशेषज्ञ B (AI का छात्र): यह हिस्सा आर्टिफिशियल इंटेलिजेंस के एक विशेष प्रकार का उपयोग करता है जिसे न्यूरल ODE कहा जाता है। कल्पना कीजिए कि एक छात्र है जो कहानी में पैटर्न पहचानने में बहुत अच्छा है। AI ने "गर्म" प्रयोग (120°C) के डेटा को देखा और सूखने और अनकोइलिंग के कारण टेप के सिकुड़ने के पैटर्न को सीखा।

जादुई ट्रिक: शोधकर्ताओं ने केवल "गर्म" डेटा का उपयोग करके AI छात्र को सिखाया। फिर, उन्होंने AI से उस "बहुत गर्म" प्रयोग (180°C) में क्या होगा, इसकी भविष्यवाणी करने के लिए कहा, जो तापमान उसने पहले कभी नहीं देखा था।

परिणाम? AI सही निकला! उसने समझ लिया कि भले ही उसने 180°C नहीं देखा था, लेकिन सिकुड़ने का पैटर्न स्थिर और अनुमानित था। उसने सही ढंग से यह भी अनुमान लगाया कि उच्च तापमान पर सिकुड़ना अंततः रुक (सैट्यूरेट) जाएगा। यह साबित करता है कि मॉडल मजबूत है और स्थितियाँ बदलने पर भी इस पर भरोसा किया जा सकता है।

4. सबको एक साथ लाना: डिजिटल ट्विन

अंत में, उन्होंने भौतिकी के प्रोफेसर के नियमों और AI छात्र की भविष्यवाणियों को मिलाकर एक पूर्ण सिमुलेशन बनाया। उन्होंने इस सिमुलेशन में अपने रोबोटिक प्रिंटर की सटीक स्थितियाँ डालीं (जैसे कि वह कितनी तेजी से चलता है, नोजल कितना गर्म है, आदि)।

यह सिमुलेशन एक "डिजिटल ट्विन" के रूप में कार्य करता है—वास्तविक प्रिंटिंग प्रक्रिया की एक आभासी प्रति। इसने भविष्यवाणी की कि टेप की चौड़ाई और लंबाई में ठीक कितना बदलाव आएगा। जब उन्होंने इस भविष्यवाणी की तुलना लैब में प्रिंट किए गए वास्तविक टेप से की, तो आंकड़े बहुत करीब मिले।

निचोड़

यह पेपर दावा करता है कि भौतिकी और स्मार्ट AI के इस मिश्रण का उपयोग करके, वे अब यह भविष्यवाणी कर सकते हैं कि 3D-प्रिंटेड टेप का टुकड़ा कितना सिकुड़ेगा, इससे पहले कि वे इसे प्रिंट करें।

यह एक बड़ी बात है क्योंकि, दर्जनों महंगे परीक्षण करके सही सेटिंग्स खोजने के बजाय, इंजीनियर इस मॉडल का उपयोग यह बताने के लिए कर सकते हैं कि रोबट को टेप कहाँ रखना चाहिए ताकि वह बिना किसी गैप या ओवरलैप के बिल्कुल फिट बैठे। यह एक परीक्षण-और-त्रुटि (trial-and-error) की प्रक्रिया को एक सटीक और अनुमानित प्रक्रिया में बदल देता है।

तकनीकी सारांश: रोबोटिक 3D प्रिंटिंग में फीडस्टॉक विरूपण का हाइब्रिड मशीन लर्निंग और भौतिक मॉडलिंग

समस्या विवरण
सतत फाइबर-प्रबलित थर्मोप्लास्टिक कंपोजिट की 3D प्रिंटिंग के दौरान फीडस्टॉक विरूपण (deformation) एक महत्वपूर्ण चुनौती है जो अंतराल (gaps) और ओवरलैप जैसे विनिर्माण दोषों को जन्म देती है। जबकि थर्मल ग्रेडिएंट और अवशिष्ट तनाव (residual stresses) ज्ञात योगदानकर्ता हैं, एकल जमा किए गए टेप का विशिष्ट विरूपण—जो अवशिष्ट तनाव राहत, सुखाने (drying) और क्रिस्टलीकरण द्वारा संचालित होता है—मॉडल करने में जटिल बना हुआ है। यह एकल-पथ विरूपण सीधे तौर पर फाइबर संरेखण और रोबोटिक जमाव नियंत्रण जैसे अंतर्निहित प्रक्रिया चरों को प्रभावित करता है। मौजूदा दृष्टिकोणों में सीमाएँ हैं: शुद्ध डेटा-संचालित मॉडल अक्सर परीक्षण किए गए क्षेत्रों के बाहर विश्वसनीयता की कमी रखते हैं, जबकि पारंपरिक भौतिकी-आधारित मॉडल क्रिस्टलीकरण और सूक्ष्म संरचनात्मक गुणों के परिवर्तन के युग्मित बहु-भौतिकी (multiphysics) को संभालने में संघर्ष करते हैं। लेखक पथ नियोजन (path planning) को अनुकूलित करने और दोषों को कम करने के लिए टेप के आयामी परिवर्तनों की भविष्यवाणी करने हेतु एक मजबूत ढांचे की आवश्यकता को संबोधित करते हैं।

कार्यप्रणाली (Methodology)
लेखक एक स्थापित भौतिक मॉडल के साथ डेटा-संचालित दृष्टिकोणों को संयोजित करते हुए एक हाइब्रिड मॉडलिंग ढांचे का प्रस्ताव करते हैं, विशेष रूप से एक स्थिर न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन (Neural ODE) का उपयोग करते हैं। कार्यप्रवाह निम्नलिखित चरणों के माध्यम से आगे बढ़ता है:

प्रयोगात्मक लक्षण वर्णन (Experimental Characterization):
- सेटअप: एक रोबोटिक 3D प्रिंटिंग सिस्टम (ABB IRB 1200) एक स्टील बिल्ड प्लेटफॉर्म पर निरंतर कार्बन फाइबर (CCF) प्रीप्रेग टेप (LM-PAEK मैट्रिक्स) जमा करता है।
- सामग्री परीक्षण: डिफरेंशियल स्कैनिंग कैलोरीमेट्री (DSC) ने ग्लास ट्रांजिशन तापमान ( $T_g \approx 147^\circ\text{C}$ ) और क्रिस्टलीकरण शिखर ( $T_{pc} \approx 184^\circ\text{C}$ ) की पहचान की। DMA का उपयोग दो तापमान व्यवस्थाओं पर टेप नमूनों के लिए किया गया था: $120^\circ\text{C}$ ( $T_g$ से नीचे) और $180^\circ\text{C}$ ( $T_g$ से ऊपर)। इन परीक्षणों ने हीटिंग और कूलिंग चक्रों के दौरान आयामी परिवर्तनों (strain) को मापा।
भौतिक मॉडलिंग (विस्कोइलास्टिसिटी):
- प्रीप्रेग के यांत्रिक व्यवहार को सिम्युलेट करने के लिए एक केल्विन-वोइग्ट (Kelvin-Voigt) विस्कोइलास्टिक मॉडल का उपयोग किया गया।
- मॉडल ने निर्माता डेटा और होमोजेनाइजेशन नियमों से प्राप्त ऑर्थोट्रोपिक थर्मल और मैकेनिकल गुणों का उपयोग किया।
- पैरामीटर्स (थर्मल एक्सपेंशन कोएफिशिएंट और विस्कस टेंसर घटक) को DMA-1 प्रयोगात्मक डेटा ( $120^\circ\text{C}$ ) के अनुरूप सिमुलेशन को फिट करके पहचाना गया था, जिसमें प्रारंभिक हीटिंग चरण को छोड़ दिया गया जहाँ अपरिवर्तनीय सुखाने और अवशिष्ट तनाव रिलीज की प्रक्रिया होती है।
हाइब्रिड डेटा-संचालित मॉडलिंग:
- प्रारंभिक स्ट्रेन रिलीज (सुखाना/अवशिष्ट तनाव): DMA-1 के दौरान विस्कोइलास्टिक सिमुलेशन और प्रयोगात्मक डेटा के बीच के अंतर को सुखाने और अवशिष्ट तनाव रिलीज के कारण माना गया। इन प्रारंभिक स्ट्रेन के समय-निर्भर विकास को सीखने के लिए एक स्थिर Neural ODE को इस अवशेष डेटा (residual data) पर प्रशिक्षित किया गया था।
- क्रिस्टलीकरण-प्रेरित विरूपण: DMA-2 प्रयोग ( $180^\circ\text{C}$ ) के लिए, कुल मापे गए स्ट्रेन, विस्कोइलास्टिक भविष्यवाणी, और अनुमानित प्रारंभिक स्ट्रेन रिलीज के बीच के अंतर को क्रिस्टलीकरण स्ट्रेन के रूप में परिभाषित किया गया। $T_g$ से तापमान बढ़ने पर इन स्ट्रेन के विकास को मॉडल करने के लिए दूसरे स्थिर Neural ODE को प्रशिक्षित किया गया।
एकीकरण और सत्यापन (Integration and Validation):
- पहचाने गए मॉडलों (Kelvin-Voigt, प्रारंभिक स्ट्रेन रिलीज, और क्रिस्टलीकरण) को थर्मल और मैकेनिकल सॉल्विंग के लिए प्रॉपर जनरलाइज्ड डिकम्पोजिशन (PGD) का उपयोग करके एक समग्र सिमुलेशन ढांचे में एकीकृत किया गया।
- इस ढांचे को रोबोटिक प्रिंटिंग स्थितियों ( $380^\circ\text{C}$ नोजल, $160^\circ\text{C}$ प्लेटफॉर्म) के तहत 280 मिमी टेप जमाव का अनुकरण करने के लिए लागू किया गया।
- सिमुलेशन परिणामों को भौतिक रूप से जमा किए गए टेप के प्रयोगात्मक माप के विरुद्ध सत्यापित किया गया।

प्रमुख योगदान

हाइब्रिड मॉडलिंग ढांचा: यह शोध जटिल, गैर-रेखीय घटनाओं (सुखाना, तनाव राहत, क्रिस्टलीकरण) को पकड़ने के लिए भौतिकी-आधारित विस्कोइलास्टिसिटी को स्थिर Neural ODE के साथ सफलतापूर्वक एकीकृत करने का प्रदर्शन करता है, जिन्हें केवल विश्लेषणात्मक रूप से मॉडल करना कठिन है।
एक्सट्रपोलेशन क्षमता (Extrapolation Capability): अध्ययन स्थिर Neural ODE की अपने प्रशिक्षण क्षेत्र से परे सामान्यीकरण करने की क्षमता को उजागर करता है। विशेष रूप से, केवल $120^\circ\text{C}$ तक के डेटा पर प्रशिक्षित प्रारंभिक स्ट्रेन रिलीज मॉडल ने बिना पुन: प्रशिक्षण के $180^\circ\text{C}$ तक के व्यवहार की सफलतापूर्वक भविष्यवाणी की और संतृप्ति (saturation) तक पहुँच गया।
विरूपण तंत्र का अपघटन: यह कार्य थर्मल एक्सपेंशन, प्रारंभिक स्ट्रेन रिलीज और क्रिस्टलीकरण के विशिष्ट योगदानों को अलग करता है और उन्हें परिमाणित करता है, जिससे एकल-टेप जमाव में दोष उत्पन्न करने वाले तंत्रों की स्पष्ट समझ मिलती है।

परिणाम

मॉडल सटीकता: हाइब्रिड मॉडल ने स्ट्रेन विकास की भविष्यवाणी करने में उच्च निष्ठा (fidelity) प्राप्त की। टेस्ट सेट पर प्रारंभिक स्ट्रेन रिलीज की भविष्यवाणी के लिए सापेक्ष त्रुटि 0.57% थी, और क्रिस्टलीकरण स्ट्रेन के लिए यह 2.43% थी।
सामान्यीकरण: मॉडल ने प्रशिक्षण में उपयोग किए गए तापमानों की तुलना में काफी अधिक तापमान ( $180^\circ\text{C}$ बनाम $120^\circ\text{C}$ प्रशिक्षण अधिकतम) पर स्ट्रेन रिलीज के संतृप्ति को सटीक रूप से पुनरुत्पादित किया।
रोबोटिक जमाव सत्यापन: जब इसे रोबोटिक प्रिंटिंग परिदृश्य में लागू किया गया, तो सिमुलेशन ने टेप के पार्श्व विरूपण (lateral deformation) की उच्च सटीकता के साथ भविष्यवाणी की। सिम्युलेटेड अंतिम चौड़ाई प्रयोगात्मक कैलिपर माप से निकटता से मेल खाती है, जो पुष्टि करती है कि मॉडल वास्तविक दुनिया के जमाव सेटिंग में थर्मल ग्रेडिएंट, स्ट्रेस रिलीफ और क्रिस्टलीकरण के संयुक्त प्रभावों को ध्यान में रख सकता है।

महत्व
लेखक का दावा है कि यह कार्य निरंतर फाइबर थर्मोप्लास्टिक्स की रोबोटिक 3D प्रिंटिंग के लिए फीडस्टॉक विरूपण को समझने में एक "आधारशिला" (cornerstone) है। प्राथमिक महत्व प्रस्तावित "समग्र दृष्टिकोण" (holistic approach) में निहित है जो प्रिंटिंग प्रक्रिया के लिए डिजिटल ट्विन बनाने में सक्षम बनाता है। प्रक्रिया मापदंडों के आधार पर जमा किए गए टेप के अंतिम आयामों की सटीक भविष्यवाणी करके, मॉडल अंतराल और ओवरलैप को रोकने के लिए टेप रास्टर ऑफसेट (TRO) को अनुकूलित करने की अनुमति देता है। यह क्षमता इष्टतम प्रिंटिंग मापदंडों को निर्धारित करने के लिए महंगी और समय लेने वाली प्रयोगात्मक कोशिशों पर निर्भरता को कम करती है। इसके अलावा, लेखक सुझाव देते हैं कि जबकि वर्तमान अध्ययन सीधे पथों (straight paths) पर केंद्रित है, यह ढांचा भविष्य के कार्यों के लिए एक आधार प्रदान करता है जो वक्राकार पथों (curvilinear paths) और जटिल संरचनात्मक भागों के निर्माण पर केंद्रित हो सकते हैं।

1. सिकुड़ने वाले टेप का रहस्य

2. जासूसी का काम: लैब प्रयोग

3. हाइब्रिड जासूस: भौतिकी + AI

4. सबको एक साथ लाना: डिजिटल ट्विन

निचोड़

इसी तरह के और पेपर