⚡ electrical engineering

Forward and inverse prediction of micro-channel topographies in abrasive slurry jet machining: a machine learning framework and a graphical web-based tool

यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क और एक निःशुल्क वेब-आधारित टूल प्रस्तुत करता है जो एब्रेसिव स्लरी जेट मशीनिंग में माइक्रो-चैनल टोपोग्राफियों के फॉरवर्ड प्रेडिक्शन (अग्रिम पूर्वानुमान) और इष्टतम ऑपरेटिंग स्थितियों के इनवर्स डिटरमिनेशन (विपरीत निर्धारण) दोनों को सफलतापूर्वक संबोधित करता है, जिससे कठोर और भंगुर सामग्रियों के लिए प्रक्रिया नियंत्रण और पूर्वानुमान क्षमता में लंबे समय से चली आ रही चुनौतियों पर विजय प्राप्त होती है।

मूल लेखक: Majid Moghaddam, Fatemeh Safaei, Marcello Papini

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Majid Moghaddam, Fatemeh Safaei, Marcello Papini

मूल पेपर CC BY 4.0 (https://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 आपके पास एक सुपर-पावर्ड गार्डन होज़ (बगीचे का पाइप) है जो पानी की एक ऐसी धार छोड़ता है जिसमें रेत के बारीक और नुकीले कण मिले हुए हैं। इसे एब्रेसिव स्लरी जेट (ASJ) कहा जाता है। इंजीनियर इस उपकरण का उपयोग एल्युमीनियम, कांच या यहाँ तक कि चिकित्सा उपकरणों के नाजुक हिस्सों जैसे कठोर पदार्थों में अविश्वसनीय रूप से सूक्ष्म और सटीक चैनल उकेरने के लिए करते हैं। यह एक सूक्ष्म छैनी (chisel) की तरह है जो कभी गर्म नहीं होती और न ही सामग्री को पिघलाती है।

हालाँकि, एक बड़ी समस्या है: यह अनुमान लगाना कि वह पाइप क्या आकार उकेरेगा, अत्यंत कठिन है।

इसे ऐसे समझें जैसे कि आप यह अनुमान लगाने की कोशिश कर रहे हों कि यदि आप केवल यह जानते हैं कि आप कितनी ज़ोर से हवा फेंक रहे हैं, आप कितनी तेज़ी से चल रहे हैं, और आप रेत से कितनी दूर हैं, तो आप कैसा रेत का महल (sandcastle) बनाएंगे। पानी घूमता है, रेत दीवारों से टकराकर वापस आती है, और जैसे-जैसे आप गहराई में खुदाई करते हैं, आकार बदलता जाता है। इस अराजकता के कारण, यह पता लगाना कि अंतिम खांचा (groove) वास्तव, कैसा दिखेगा (जिसे "फॉरवर्ड" समस्या कहा जाता है), एक दुस्वप्न जैसा है। इससे भी कठिन है इसका उल्टा: यदि आप एक विशिष्ट आकार चाहते हैं, तो आपको पता कैसे चलेगा कि इसके लिए कौन सी सेटिंग्स का उपयोग करना चाहिए? (जिसे "इनवर्स" समस्या कहा जाता है)।

यह शोध पत्र मशीन लर्निंग (ML) का उपयोग करके इन पहेलियों को हल करने का एक नया तरीका पेश करता है—जो मूल रूप से कंप्यूटर को पिछले प्रयोगों के आधार पर एक मास्टर गेसर (अनुमान लगाने वाला) बनने की शिक्षा देना है।

प्रयोग: एक विशाल रेसिपी बुक

शोधकर्ताओं ने कंप्यूटर को सिखाने के लिए एक व्यापक प्रयोग स्थापित किया। उन्होंने एल्युमीनियम ब्लॉक्स में 270 अलग-अलग माइक्रो-चैनल उकेरे, जिसमें उन्होंने उनकी मशीन के चार "नॉब्स" (बटन/नियंत्रण) को व्यवस्थित रूप से बदला:

पानी का दबाव (Water Pressure): पानी कितनी ज़ोर से धक्का देता है।
गति (Speed): नोजल कितनी तेज़ी से चलता है।
दूरी (Distance): नोजल धातु से कितनी दूर है।
पास (Passes): एक ही स्थान पर कितनी बार जाना है।

उन्होंने परिणामी आकारों को अत्यधिक सटीकता के साथ मापा, जिससे कारण-और-प्रभाव की एक विशाल "रेसिपी बुक" तैयार हुई।

शिक्षक: चार अलग-अलग AI मॉडल

इस रेसिपी बुक से सीखने के लिए, उन्होंने चार अलग-अलग प्रकार के "छात्रों" (AI मॉडल) को प्रशिक्षित किया:

पॉलीनोमियल रिग्रेशन (Polynomial Regression): एक छात्र जो डेटा के साथ एक सरल, घुमावदार रेखा फिट करने की कोशिश करता है। यह सरल आकारों के लिए अच्छा है, लेकिन जटिल आकारों में उलझ जाता है।
रैंडम फॉरेस्ट (Random Forest): एक छात्र जो 300 अलग-अलग "निर्णय वृक्षों" (जैसे 20 सवालों का खेल) से पूछता है और औसत उत्तर लेता है। यह स्मार्ट है लेकिन धीमा हो सकता है।
आर्टिफिशियल न्यूरल नेटवर्क (ANN): एक छात्र जिसके पास परतों वाली मस्तिष्क जैसी संरचना होती है। यह जटिल पैटर्न और चिकने वक्रों (curves) को देखने में माहिर है।
कन्वोल्यूशनल न्यूरल नेटवर्क (CNN): एक विशेष छात्र जिसे खांचे के आकार को देखने के लिए डिज़ाइन किया गया है, जो यह देखता है कि वक्र का एक हिस्सा दूसरे हिस्से से कैसे संबंधित है।

परिणाम:
न्यूरल नेटवर्क (ANN और CNN) स्टार छात्र थे। वे सेटिंग्स (दबाव, गति, आदि) को देख सकते थे और उकेरे गए चैनल के सटीक आकार की अद्भुत सटीकता के साथ भविष्यवाणी कर सकते थे। वे सरल मॉडलों की तुलना में बहुत बेहतर थे, विशेष रूप से गहरे, संकीले चैनलों के लिए। कंप्यूटर कुछ ही सेकंड के अंश में आकार की भविष्यवाणी कर सकता था, जबकि पारंपरिक भौतिकी सिमुलेशन (physics simulations) घंटों ले लेते।

जादू का कमाल: पीछे की ओर काम करना

असली जादू तब हुआ जब उन्होंने खेल को उलट दिया। यह पूछने के बजाय कि, "इन सेटिंग्स के साथ मुझे क्या आकार मिलेगा?" उन्होंने पूछा, "मुझे यह विशिष्ट आकार चाहिए। मुझे किन सेटिंग्स की आवश्यकता है?"

उन्होंने AI को उल्टा काम करने के लिए प्रशिक्षित किया।

चुनौती: यह कठिन है क्योंकि कई अलग-अलग सेटिंग्स एक ही आकार बना सकती हैं (जैसे कि आप आटे और चीनी के विभिन्न संयोजनों के साथ केक बना सकते हैं)।
समाधान: AI ने केवल एक उत्तर नहीं दिया। इसने एक संशयी शेफ (skeptical chef) की तरह काम किया, जिसने 50 अलग-अलग "रेसिपी" (सेटिंग्स के संयोजन) उत्पन्न कीं जो सभी वांछित आकार बना सकती थीं। फिर इसने उपयोगकर्ता को विकल्पों की सीमा दिखाई, यह कहते हुए, "आप उच्च दबाव और धीमी गति का उपयोग कर सकते हैं, या कम दबाव और तेज़ गति का, और आप लगभग समान परिणाम प्राप्त करेंगे।"

टूल: एक मुफ्त वेब ऐप

शोधकर्ताओं ने इस ज्ञान को केवल लैब तक सीमित नहीं रखा। उन्होंने अपने सर्वश्रेष्ठ AI मॉडल्स को एक मुफ्त वेबसाइट में पैक कर दिया।

"फॉरवर्ड" समस्या के लिए: आप अपनी मशीन सेटिंग्स टाइप करते हैं, और यह अनुमानित चैनल का आकार बनाता है।
"इनवर्स" समस्या के लिए: आप जो आकार चाहते हैं उसे ड्रा करें या टाइप करें, और यह आपको प्राप्त करने के लिए मशीन सेटिंग्स की एक सूची देगा।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

वर्तमान में, यदि किसी इंजीनियर को एक नया माइक्रो-चैनल बनाना है, तो उसे अनुमान लगाना, काटना, मापना और फिर से अनुमान लगाना पड़ता है। यह धीमा और महंगा है।
यह पेपर दिखाता है कि AI एक डिजिटल ट्विन (digital twin) के रूप में कार्य कर सकता है। यह तुरंत परिणाम की भविष्यवाणी कर सकता है और आपको बता सकता है कि वांछित आकार प्राप्त करने के लिए आपको अपनी मशीन को कैसे सेट करना है, जिससे ट्रायल-एंड-एरर (परीक्षण और त्रुटि) का चरण बच जाता है। यह एक अराजक, अप्रत्याशित प्रक्रिया को कुछ क्लिक के साथ योजनाबद्ध और नियंत्रित करने योग्य चीज़ में बदल देता है।

संक्षेप में: शोधकर्ताओं ने कंप्यूटर को माइक्रो-चैनलों का मास्टर मूर्तिकार बनने की शिक्षा दी, जिससे कोई भी माइक्रो-चैनल के परिणाम की भविष्यवाणी कर सकता है या वांछित आकार को डिज़ाइन कर सकता है और उसे बनाने के लिए सटीक निर्देश प्राप्त कर सकता है, वह भी बिना फ्लूइड डायनामिक्स (द्रव गतिकी) में पीएचडी किए।

तकनीकी सारांश: एब्रेसिव स्लरी जेट मशीनिंग में माइक्रो-चैनल टोपोग्राफी का फॉरवर्ड और इनवर्स प्रेडिक्शन

समस्या विवरण
एब्रेसिव स्लरी जेट माइक्रो-मशीनिंग (ASJM) कठोर, भंगुर या तापमान-संवेदनशील सामग्रियों में उच्च-आस्पेक्ट-अनुपात वाले सूक्ष्म-फीचर्स बनाने के लिए एक रणनीतिक प्रक्रिया है, जो बिना किसी हीट-अफेक्टेड ज़ोन के संपन्न होती है। बायोमेडिकल उपकरणों, MEMS और एयरोस्पेस कूलिंग चैनलों के लिए इसकी क्षमता के बावजूद, औद्योगिक स्तर पर इसे अपनाने में मैश्ड टोपोग्राफी के पूर्वानुमान और नियंत्रण की कठिनाई बाधा बनी हुई है। फॉरवर्ड समस्या (प्रोसेस पैरामीटर्स से कटाव वाले प्रोफाइल का पूर्वानुमान लगाना) उच्च जेट टर्बुलेंस, गैर-रैखिक कण अपरदन गतिकी (nonlinear particle erosion dynamics), और कई परस्पर निर्भर ऑपरेटिंग पैरामीटर्स के कारण जटिल है। इनवर्स समस्या (वांछित टोपोग्राफी प्राप्त करने के लिए आवश्यक प्रोसेस पैरामीटर्स का निर्धारण करना) और भी चुनौतीपूर्ण है और इसे शायद ही कभी संबोधित किया गया है। मौजूदा संख्यात्मक विधियाँ, जैसे कि कम्प्यूटेशनल फ्लूइड डायनेमिक्स (CFD), उच्च सटीकता प्रदान करती हैं लेकिन ये गणनात्मक रूप से अत्यधिक महंगी हैं और रियल-टाइम कंट्रोल के लिए इन्हें इनवर्ट करना कठिन है। इसके विपरीत, एब्रेसिव जेट मशीनिंग में पिछले मशीन लर्निंग (ML) अनुप्रयोग केवल सतह की खुरदरापन (roughness) या कट की गहराई जैसे स्केलर आउटपुट तक सीमित रहे हैं, न कि पूर्ण सतह प्रोफाइल तक।

कार्यप्रणाली
यह अध्ययन एक व्यापक डेटासेट का उपयोग करते हुए एक डेटा-संचालित दृष्टिकोण अपनाता है, जिसे AA6061-T6 एल्युमीनियम पर 270 अद्वितीय ऑपरेटिंग पैरामीटर संयोजनों वाले फुल फैक्टोरियल डिज़ाइन ऑफ एक्सपेरिमेंट्स (DOE) से उत्पन्न किया गया है। स्वतंत्र चर पंप प्रेशर ( $P$ ), नोजल ट्रेवर्स स्पीड ( $V$ ), स्टैंडऑफ डिस्टेंस ($SOD $), और मशीनिंग पास की संख्या ($ N$) थे। लक्षित आउटपुट एक 220-आयामी वेक्टर था जो माइक्रो-चैनल के क्रॉस-सेक्शनल डेप्थ प्रोफाइल का प्रतिनिधित्व करता था।

चार सुपरवाइज्ड लर्निंग मॉडल विकसित और तुलना किए गए:

पॉलीनोमियल रिग्रेशन: नॉन-लीनियरिटी को कैप्चर करने के लिए फीचर एक्सपेंशन का उपयोग करने वाला एक पैरामेट्रिक बेसलाइन।
रैंडम फॉरेस्ट (RF): एक नॉन-पैरामेट्रिक एन्सेम्बल मेथड जिसे डोमेन-इन्फॉर्म्ड फीचर इंजीनियरिंग (जैसे, संचयी इरोसिव पोटेंशियल $P \times N$ ) के साथ सुदृढ़ किया गया है।
आर्टिफिशियल न्यूरल नेटवर्क (ANN): एक फुली कनेक्टेड डीप लर्निंग मॉडल जिसे इनपुट्स को पूर्ण प्रोफाइल वेक्टर में मैप करने के लिए डिज़ाइन किया गया है।
कन्वोल्यूशनल न्यूरल नेटवर्क (1D-CNN): एक डीप लर्निंग आर्किटेक्चर जो प्रोफाइल के भीतर स्थानीय स्थानिक सहसंबंधों (local spatial correlations) को कैप्चर करने के लिए कन्वोल्यूशन लेयर्स का उपयोग करता है।

सभी मॉडलों को डेटा के 85% पर प्रशिक्षित किया गया और एक होल्ड-आउट टेस्ट सेट का उपयोग करके मीन स्क्वेर्ड एरर (MSE), मीन एब्सोल्यूट एरर (MAE), और कोएफिशिएंट ऑफ डिटरमिनेशन ( $R^2$ ) का उपयोग करके मूल्यांकन किया गया। अध्ययन ने डेटासेट के आकार (25% से 100%) और इनपुट नॉइज़ के प्रति मॉडल की संवेदनशीलता की भी जांच की।

इनवर्स समस्या के लिए, एक लक्षित ज्यामिति (target geometry) से प्रोसेस पैरामीटर्स ($P, SOD, V, N$) का अनुमान लगाने के लिए एक ANN को प्रशिक्षित किया गया। इनवर्स समस्या की "मेनी-टू-वन" प्रकृति (जहाँ कई पैरामीटर सेट एक ही ज्यामिति दे सकते हैं) को संबोधित करने के लिए, लेखकों ने एक "फॉरवर्ड-कंसिस्टेंसी" लॉस का उपयोग किया। अनुमानित पैरामीटर्स को पूर्व-प्रशिक्षित फॉरवर्ड ANN के माध्यम से गुजारा गया ताकि एक सिम्युलेटेड प्रोफाइल बनाया जा सके, जिसकी तुलना लक्षित ज्यामिति से की गई। इसने सुनिश्चित किया कि इनवर्स मॉडल भौतिक रूप से सुसंगत पैरामीटर्स प्रदान करे। एक संभाव्य (probabilistic) इनवर्स फ्रेमवर्क को मोंटे-कार्लो ड्रॉपआउट का उपयोग करके भी लागू किया गया ताकि एक एकल नियतात्मक अनुमान के बजाय व्यवहार्य समाधानों का एक वितरण उत्पन्न किया जा सके।

मुख्य योगदान

फुल-प्रोफाइल प्रेडिक्शन: यह कार्य ASJM-मशीन्ड माइक्रो-चैनल के पूर्ण वेक्टर-वैल्यूड क्रॉस-सेक्शनल प्रोफाइल का पूर्वानुमान लगाने में सक्षम पहला ML फ्रेमवर्क प्रस्तुत करता है, जो खुरदरापन या कट की गहराई जैसे स्केलर मेट्रिक्स से आगे बढ़ता है।
फिजिक्स-इन्फॉर्म्ड फीचर इंजीनियरिंग: अध्ययन में ज्ञात इरोजन-रेट डिपेंडेंसी को एनकोड करने के लिए इंजीनियर फीचर्स (जैसे, $P \times N, SOD \times V, P/V$ ) के साथ एक मोनोटोनिसिटी-अवेयर ट्रेनिंग स्कीम शामिल है, जो निष्पक्ष मॉडल तुलना सुनिश्चित करती है।
प्रोबेबिलिस्टिक इनवर्स डिज़ाइन: लेखकों ने एक कंस्ट्रेंट-अवेयर इनवर्स फ्रेमवर्क विकसित किया है जो अनिश्चितता अनुमानों के साथ व्यवहार्य पैरामीटर संयोजनों को वापस करता है, जो स्पष्ट रूप से इनवर्स समस्या की गैर-विशिष्टता (non-uniqueness) को संबोधित करता है।
रियल-टाइम एप्लिकेबिलिटी असेसमेंट: अध्ययन इन्फरेंस लेटेंसी को मापता है, यह प्रदर्शित करता है कि डीप लर्निंग सरोगेट्स मिलिसेकंड-पर-पास बजट के भीतर काम कर सकते हैं जो क्लोज्ड-लूप प्रोसेस कंट्रोल के लिए आवश्यक है, जो पारंपरिक CFD सिमुलेशन के विपरीत है।
ओपन-सोर्स टूल: प्रशिक्षित मॉडल और प्रायोगिक डेटासेट को एक मुफ्त, ब्राउज़र-आधारित वेब एप्लिकेशन के रूप में जारी किया गया है, जिससे प्रोग्रामिंग अनुभव के बिना भी ऑपरेटर इन टूल्स का उपयोग कर सकते हैं।

परिणाम

फॉरवर्ड प्रेडिक्शन: सभी मॉडलों ने 0.06 से ~2 के आस्पेक्ट रेश्यो वाले माइक्रो-चैनल प्रोफाइल का सफलतापूर्वक पूर्वानुमान लगाया। ANN ने उच्चतम सटीकता ( $R^2 = 0.817$ , MAE = 0.00339 mm) प्राप्त की, जिसके बाद बारीकी से 1D-CNN ( $R^2 = 0.807$ ) का स्थान रहा। पारंपरिक मॉडल (पॉलीनोमियल रिग्रेशन और RF) पर्याप्त रूप से अच्छा प्रदर्शन करते हैं ( $R^2 \approx 0.76$ ), लेकिन उच्च-आस्पेक्ट-अनुपात वाले फीचर्स पर कम सटीक थे।
डेटासेट संवेदनशीलता: प्रदर्शन डेटासेट के आकार के साथ सुधरा, और 75% डेटा के उपयोग के बाद स्थिर हो गया। ANN ने उच्चतम मजबूती दिखाई, केवल 25% डेटासेट के साथ भी 0.7 का $R^2$ बनाए रखा, जबकि रैंडम फॉरेस्ट मॉडल उसी स्थिति में काफी गिर गया ( $R^2 = 0.32$ )।
नॉइज़ रोबस्टनेस: डीप लर्निंग मॉडल (ANN और CNN) इनपुट नॉइज़ के प्रति उच्च सहनशीलता दिखाते हैं, जहाँ 10% गॉसियन नॉइज़ के तहत MAE केवल मामूली रूप से बढ़ा (3.5 µm से 4.1 µm)। इसके विपरीत, पॉलीनोमियल मॉडल ने समान शोर की स्थिति में गैर-भौतिक मान (non-physical values) उत्पन्न किए।
इनवर्स प्रेडिक्शन: इनवर्स ANN ने लक्षित ज्यामिति के लिए प्रोसेस पैरामीटर्स का सफलतापूर्वक अनुमान लगाया। केवल डेप्थ और विड्थ का उपयोग करने पर, मॉडल ने डेप्थ के लिए $R^2 = 0.94$ और विड्थ के लिए $R^2 = 0.55$ प्राप्त किया। पूर्ण प्रोफाइल का उपयोग करने पर, इनपुट डाइमेंशनलिटी और रेडंडेंसी के कारण सटीकता कम हो गई ( $R^2 \approx 0.77$ )। संभाव्य इनवर्स दृष्टिकोण ने 0.94 µm की मीडियन एब्सोल्यूट डेप्थ एरर के साथ व्यवहार्य पैरामीटर सेटों की पहचान सफलतापूर्वक की।
लेटेंसी: सिंगल CPU पर इन्फरेंस समय पॉलीनोमियल (0.22 ms) से लेकर ~100 ms (डीप लर्निंग) तक रहा, जो रियल-टाइम कंट्रोल के लिए उपयुक्त है, जबकि रैंडम फॉरेस्ट मॉडल को प्रति सैंपल ~10.9 सेकंड का समय लगा, जो इसे रियल-टाइम अनुप्रयोगों के लिए अनुपयुक्त बनाता है।

महत्व
यह शोध दावा करता है कि यह कार्य ASJM में एम्पिरिकल टेस्टिंग और रियल-टाइम प्रेडिक्टिव मैन्युफैक्चरिंग के बीच के अंतर को पाटता है। घंटों (CFD) के बजाय माइक्रोसेकंड/मिलीसेकंड में भविष्यवाणी के समय को कम करके, प्रस्तावित ML सरोगेट्स उन कंप्यूटेशनल बाधाओं को हटा देते हैं जो फिजिक्स-बेस्ड मॉडल्स को क्लोज्ड-लूप कंट्रोलर्स में एम्बेड करने से रोकती हैं। यह फ्रेमवर्क वांछित ज्योमेट्री के लिए प्रोसेस पैरामीटर्स के "वन-शॉट" स्पेसिफिकेशन को सक्षम बनाता है, जिससे ऑटोमेटेड प्रोसेस प्लानिंग, डिजिटल ट्विन इंटीग्रेशन और बिना विस्तृत डिजाइन-ऑफ-एक्सपेरिमेंट कैंपेन के नए मटेरियल-एब्रेसिव कॉम्बिनेशन के त्वरित क्वालिफिकेशन में मदद मिलती है। लेखक इसे एब्रेसिव जेट मशीनिंग में जटिल, नॉन-लीनियर मटेरियल रिमूवल पैटर्न के लिए ML की व्यवहार्यता प्रदर्शित करने वाले एक अग्रणी प्रयास के रूप में प्रस्तुत करते हैं, और प्रशिक्षित मॉडल्स एवं टूल्स को क्षेत्र में एडॉप्शन को तेज करने के लिए सार्वजनिक रूप से उपलब्ध कराया गया है।

प्रयोग: एक विशाल रेसिपी बुक

शिक्षक: चार अलग-अलग AI मॉडल

जादू का कमाल: पीछे की ओर काम करना

टूल: एक मुफ्त वेब ऐप

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

इसी तरह के और पेपर