Physics-Informed Machine Learning for Predicting Buckling Performance and Damage Evolution in Graphene Reinforced Basalt/Epoxy Composites

तकनीकी सारांश: ग्राफीन प्रबलित बेसाल्ट/एपॉक्सी कंपोजिट के बकलिंग प्रदर्शन और क्षति विकास की भविष्यवाणी के लिए भौतिकी-सूचित मशीन लर्निंग

समस्या विवरण
बेसाल्ट फाइबर-प्रबलित पॉलिमर कंपोजिट (BFRCs) हल्के संरचनात्मक अनुप्रयोगों के लिए ग्लास और कार्बन फाइबर के टिकाऊ, उच्च-शक्ति विकल्पों के रूप में प्रस्तुत होते हैं। हालांकि, उनकी उपयोगिता उन्नत इंजीनियरिंग में कमजोर फाइबर-मैट्रिक्स इंटरफेशियल आसंजन (interfacial adhesion), समयपूर्व क्षति आरंभ और सीमित संपीड़ित स्थिरता (compressive stability) द्वारा बाधित है। विशेष रूप से, बेसाल्ट कंपोजिट अक्सर संपीड़ित भार के तहत माइक्रो-बकलिंग और फाइबर अस्थिरता से ग्रस्त होते हैं, जिससे डेलैमिनेशन (delamination) और कम क्षति सहनशीलता होती है। जबकि नैनोमटेरियल कार्यात्मकता (functionalization), विशेष रूप से रिड्यूस्ड ग्राफीन ऑक्साइड (rGO) ने मैट्रिक्स कठोरता और इंटरफेशियल बॉन्डिंग को बढ़ाने में आशाजनक परिणाम दिखाए हैं, मौजूदा शोध आमतौर पर इन सुधारों को अलग-थलग रूप से संबोधित करता है—या तो मैट्रिक्स को संशोधित करके या फाइबर को कोट करके। ऐसे एकीकृत ढांचे का अभाव है जो ड्यूल-फेज कार्यात्मकता (dual-phase functionalization) का एक साथ अन्वेषण कर सके और विशेष रूप से गैर-रेखीय बकलिंग और प्रगतिशील क्षति स्थितियों के तहत इन नैनोस्केल सुधारों को मैक्रोस्केल संरचनात्मक स्थिरता में अनुवादित कर सके। इसके अलावा, पारंपरिक डिजाइन अनुकूलन अत्यधिक गणनात्मक रूप से महंगे परिमित तत्व विश्लेषण (Finite Element Analysis - FEA) पर निर्भर करता है, जिससे विशाल डिजाइन स्पेस (ज्यामितीय पैरामीटर और स्टैकिंग अनुक्रम) का अन्वेषण अव्यवहारिक हो जाता है।

कार्यप्रणाली
यह अध्ययन ड्यूल-फेज़ rGO कार्यात्मकता, मल्टीस्केल मॉडलिंग और भौतिकी-सूचित मशीन लर्निंग (ML) को संयोजित करने वाले एक एकीकृत प्रयोगात्मक-गणना ढांचे का प्रस्ताव करता है।

1. सामग्री निर्माण और लक्षण वर्णन:
   चार कंपोजिट सिस्टम का वैक्यूम असिस्टेड रेजिन ट्रांसफर मोल्डिंग (VARTM) तकनीक का उपयोग करके निर्माण किया गया:

• BEC: बेसाल्ट/एपॉक्सी (नियंत्रण)।
• BREC: rGO-संशोधित एपॉक्सी मैट्रिक्स (0.75 wt.% rGO)।
• CBEC: rGO-लेपित बेसाल्ट फाइबर (इलेक्ट्रोफोरेटिक डिपोजिशन के माध्यम से 0.3 wt.% rGO)।
• CBREC: हाइब्रिड सिस्टम जिसमें rGO-संशोधित मैट्रिक्स और लेपित फाइबर दोनों शामिल हैं।
  ASTM मानकों के अनुसार यांत्रिक गुणों (तनन, संपीड़न, इंटरलैमिनर शियर और फ्रैक्चर टफनेस) का लक्षण वर्णन किया गया ताकि इष्टतम विन्यास की पहचान की जा सके।

2. मल्टीस्केल मॉडलिंग:

• माइक्रोमैकेनिक्स: नैनोस्केल सुदृढीकरण प्रभावों को ध्यान में रखते हुए, कंपोजिट के प्रभावी ऑर्थोट्रोपिक गुणों को होमोजेनाइज करने के लिए ANSYS 2024 R1 में एक रिप्रेजेंटेटिव वॉल्यूम एलीमेंट (RVE) दृष्टिकोण अपनाया गया।
• मैक्रोस्केल FEM: बकलिंग व्यवहार का अनुकरण करने के लिए SHELL181 तत्वों का उपयोग करके नॉनलीनियर परिमित तत्व विश्लेषण (Nonlinear FEM) किया गया। मॉडल में ज्यामितीय गैर-रेखीयता और हशिन विफलता मानदंड (Hashin failure criteria) पर आधारित प्रगतिशील क्षति विकास को कंटीन्यूम डैमेज मैकेनिक्स (CDM) के साथ जोड़ा गया था।
• डेटासेट जनरेशन: ज्यामितीय पैरामीटर (लंबाई, चौड़ाई, मोटाई) और स्टैकिंग अनुक्रमों को बदलकर 12,852 लैमिनेट कॉन्फ़िगरेशन का एक व्यापक डेटासेट तैयार किया गया।

3. भौतिकी-सूचित मशीन लर्निंग:
   FEA की गणनात्मक लागत को दूर करने के लिए, FEM-जनरेटेड डेटासेट का उपयोग करके ML सरोगेट मॉडल विकसित किए गए। तीन मॉडलों का मूल्यांकन किया गया:

• वैश्विक रैखिक रुझानों के लिए लीनियर रिग्रेशन (LR)।
• गैर-रेखीय कठोरता-अस्थिरता संबंधों को पकड़ने के लिए सपोर्ट वेक्टर रिग्रेशन (SVR)।
• एक एन्सेम्बल मॉडल (Ensemble Model) जो रैखिक और गैर-रेखीय भविष्य कहनेवाला क्षमताओं का लाभ उठाने के लिए LR और SVR को जोड़ता है (भारित औसत और स्टैकिंग के माध्यम से)।
• व्याख्यात्मकता (Interpretability): मॉडल की भविष्यवाणियों को यांत्रिक रूप से व्याख्या योग्य बनाने के लिए SHAP (SHapley Additive exPlanations) का उपयोग किया गया, जिससे फीचर महत्व को निर्धारित किया गया।

मुख्य परिणाम

• यांत्रिक प्रदर्शन: ड्यूल-फेज कार्यात्मकता (CBREC) ने सबसे महत्वपूर्ण सुधार प्रदर्शित किए। नियंत्रण (BEC) की तुलना में, CBEC ने तनन शक्ति में 23.45% की वृद्धि, संपीड़न शक्ति में 60% की वृद्धि (200 MPa से 320 MPa तक), और बेहतर इंटरलैमिनर शियर एवं फ्रैक्चर टफनेस प्रदर्शित की। ये सुधार सहक्रियात्मक तनाव वितरण, बेहतर इंटरफेशियल बॉन्डिंग और बढ़ी हुई मैट्रिक्स कठोरता के कारण हैं।
• क्षति विकास: प्रगतिशील क्षति विश्लेषण ने खुलासा किया कि CBREC विन्यास क्षति की शुरुआत को रोकता है और स्थिर भार पुनर्वितरण को बढ़ावा देता है, जिससे फाइबर किंकिंग (kinking) और डेलैमिनेशन से जुड़ी समयपूर्व विफलता मोड को प्रभावी ढंग से कम किया जा सकता है।
• मशीन लर्निंग प्रदर्शन: एन्सेम्बल मॉडल ने क्रिटिकल बकलिंग लोड की भविष्यवाणी करने में 0.973 का निर्धारण गुणांक ($R^2$) प्राप्त किया, जो व्यक्तिगत मॉडलों से काफी बेहतर प्रदर्शन करता है। SHAP विश्लेषण ने पहचाना कि लैमिनेट की लंबाई और चौड़ाई बकलिंग प्रतिरोध को नियंत्रित करने वाले प्रमुख पैरामीटर हैं।
• दक्षता: ML सरोगेट मॉडल ने बार-बार होने वाले FEA सिमुलेशन को सफलतापूर्वक प्रतिस्थापित किया, जिससे डिजाइन स्पेस में बकलिंग प्रदर्शन की तीव्र भविष्यवाणी और अनुकूलन संभव हुआ।

महत्व और दावे
लेखकों का दावा है कि यह कार्य ड्यूल-फेज rGO कार्यात्मकता के माध्यम से बेसाल्ट फाइबर-प्रबलित कंपोजिट के गैर-रेखीय बकलिंग रिस्पॉन्स और प्रगतिशील क्षति व्यवहार को बढ़ाने वाले पहले व्यापक प्रयोगात्मक-गणना जांच का प्रतिनिधित्व करता है। यह अध्ययन सामग्री संशोधन (नैनोस्केल), संरचनात्मक प्रतिक्रिया (मैक्रोस्केल), और डेटा-संचालित अनुकूलन के बीच एक सीधा, पता लगाने योग्य लिंक स्थापित करता है।

प्रस्तावित ढांचे का महत्व निम्नलिखित में निहित है:

1. ड्यूल-फेज दृष्टिकोण के माध्यम से इंटरफेशियल बॉन्डिंग और मैट्रिक्स टफनेस के बीच के ट्रेड-ऑफ को हल करना।
2. एक भौतिक रूप से सुसंगत जुड़ाव प्रदान करना, जो नैनोस्केल इंटरफेशियल संवर्द्धन को मैक्रोस्केल संरचनात्मक स्थिरता भविष्यवाणियों में अनुवादित करता है।
3. उच्च-निष्ठा वाले भौतिकी-आधारित मॉडलिंग को व्याख्या योग्य मशीन लर्निंग के साथ एकीकृत करके, हल्के, क्षति-सहनशील कंपोजिट संरचनाओं के डिजाइन के लिए एक कुशल मार्ग प्रदान करना, जिससे प्रत्येक पुनरावृत्ति के लिए निषेधात्मक गणनात्मक लागत के बिना तीव्र डिजाइन अन्वेषण की सुविधा मिलती है।