A Novel Method for Determining Phase-Specific Microhardness from Non-targeted Automated Testing of Fine-grained Multiphase Structures

कल्पना कीजिए कि आप एक विशाल, मिली-जुली सूप की कटोरी का स्वाद चखने की कोशिश कर रहे हैं ताकि यह पता लगा सकें कि गाजर कितनी नमकीन है और मटर कितनी मीठी है। लेकिन इसमें एक पेंच है: आप केवल एक विशाल चम्मच का उपयोग कर सकते हैं जो एक बार में सूप का एक बड़ा हिस्सा निकाल लेता है। यदि आप एक ऐसा हिस्सा निकालते हैं जिसमें गाजर और मटर दोनों हों, तो आपकी जीभ को एक भ्रमित करने वाला "मडी" (कीचड़ जैसा) स्वाद मिलेगा जो न तो पूरी तरह गाजर का है और न ही पूरी तरह मटर का। आप सीधे गाजर का स्वाद नहीं ले सकते क्योंकि चम्मच बहुत बड़ा है और टुकड़े बहुत छोटे हैं।

यह बिल्कुल वही समस्या है जिसका सामना वैज्ञानिक तब करते हैं जब वे मजबूत धातुओं के भीतर सूक्ष्म कणों की कठोरता को मापने की कोशिश करते हैं। धातुएं अक्सर दो अलग-अलग "स्वादों" (फेज़/चरणों) से बनी होती हैं जो आपस में मिली हुई होती हैं, जैसे कि एक सूक्ष्म सूप। परीक्षण करने के लिए, इंजीनियर एक छोटे हीरे के सिरे (इंडेंटेशन) से धातु में एक छोटा सा गड्ढा बनाते हैं। यदि धातु के कण बहुत महीन हैं—गड्ढे के आकार से भी छोटे—तो वह गड्ढा एक साथ दो अलग-अलग कणों को कुचल देता है। मशीन एक "मडी" कठोरता संख्या पढ़ती है जो न तो किसी एक कण की है और न ही दूसरे की, जिससे यह जानना असंभव हो जाता है कि व्यक्तिगत भागों की वास्तविक ताकत क्या है।

लंबे समय तक, इसे ठीक करने का एकमात्र तरीका यह था कि बहुत सावधान रहा जाए और हीरे के सिरे को बिल्हीं एक विशिष्ट कण पर लक्षित किया जाए। लेकिन यह एक चलते हुए सूप में एक सुई के माध्यम से एक विशिष्ट मटर को निशाना बनाने जैसा है जबकि आपकी आँखों पर पट्टी बंधी हो। यह बहुत समय लेने वाला, महंगा और हर एक धातु के टुकड़े के लिए करना कठिन है।

नई "अंधाधुंध" रणनीति
इस शोध पत्र में, लेखक एक चतुर, विपरीत विचार का सुझाव देते हैं: निशाना लगाना बंद कर दें! इसके बजाय, वे एक "नॉन-टारगेटेड माइक्रोहार्डनेस" (NTM) परीक्षण का प्रस्ताव देते हैं! कल्पना कीजिए कि आप लाल और नीले बिंदुओं से ढके डार्टबोर्ड पर हजारों डार्ट्स (तीर) बेतरतीब ढंग से फेंक रहे हैं। आपको इस बात की परवाह नहीं है कि वे कहाँ गिरते हैं; आप बस हर एक हिट को रिकॉर्ड करते हैं। कुछ डार्ट्स केवल लाल पर लगेंगे, कुछ केवल नीले पर, लेकिन अधिकांश डार्ट्स उस "मडी" सीमा पर लगेंगे जहाँ लाल और नीला आपस में मिलते हैं।

लेखकों ने इस विचार का परीक्षण करने के लिए एक कंप्यूटर सिमुलेशन (एक आभासी प्रयोगशाला) बनाया। उन्होंने विभिन्न अनाज के आकार और आकारों वाले डिजिटल धातु संरचनाओं बनाए। उन्होंने अपने कंप्यूटर पर हजारों ऐसे "रैंडम डार्ट" परीक्षण चलाए ताकि यह देखा जा सके कि डेटा कैसा दिखता है।

जादुई नंबर: "R" अनुपात
उनके सिमुलेशन से बड़ी खोज एक सरल संख्या है जिसे वे R कहते हैं। यह गड्ढे (इंडेंटेशन) के आकार और अनाज (ग्रेन) के आकार का अनुपात है।

• यदि R छोटा है (गड्ढा अनाज से बहुत छोटा है), तो मशीन ज्यादातर केवल एक ही प्रकार के अनाज को हिट करती है, और परिणाम स्पष्ट होते हैं।
• यदि R बड़ा है (गड्ढा अनाज से बड़ा है, जो महीन-दाने वाली धातुओं में होता है), तो मशीन ज्यादातर "मडी" सीमाओं को हिट करती है।

शोध पत्र दिखाता है कि जब R 1 से अधिक होता है (यानी गड्ढा अनाज से बड़ा होता है), तो डेटा को देखने का पारंपरिक तरीका विफल हो जाता है। आप "शुद्ध" नंबरों को चुनकर बाहर नहीं निकाल सकते क्योंकि वे पर्याप्त संख्या में नहीं होते हैं। वास्तव में, लेखकों ने पाया कि इन महीन-दाने वाली संरचनाओं के लिए, आपके द्वारा प्राप्त अधिकांश माप ये मध्यवर्ती, "मडी" मान ही होते हैं।

पहेली को सुलझाने के लिए एक उल्टा तरीका
तो, यदि आप शुद्ध स्वादों को सीधे नहीं देख सकते, तो आप कैसे जानेंगे कि वे क्या हैं? लेखकों ने इन्वर्स सिमुलेशन नामक एक चाल का उपयोग किया।

इसे इस तरह सोचें: आपके पास एक रहस्यमय स्मूदी है, और आप जानते हैं कि यह स्ट्रॉबेरी और केले से बनी है। आप एक बड़ा घूंट लेते हैं (एक बड़ा गड्ढा) और यह अजीब रूप से खट्टा-मीठा लगता है। आप केवल उस घूंट से स्ट्रॉबेरी या केले की सटीक मिठास नहीं जान सकते। लेकिन, यदि आपके पास एक कंप्यूटर है जो लाखों अलग-अलग स्मूदी रेसिपी का अनुकरण कर सकता है, तो आप उन सभी को आजमा सकते हैं। आप कंप्यूटर से पूछते हैं: "यदि स्ट्रॉबेरी इतनी मीठी होती और केला इतना मीठा होता, तो बड़े घूंट का स्वाद कैसा होता?"

कंप्यूटर रेसिपी को तब तक बदलता रहता है जब तक कि सिम्युलेटेड "बड़ा घूंट" आपके वास्तविक दुनिया के माप जैसा न लगने लगे। शोध पत्र एक वास्तविक उदाहरण के साथ इसका प्रदर्शन करता है, जिसमें मीडियम-कार्बन स्टील (जिसमें फेराइट और पर्लाइट ग्रेन होते हैं) का उपयोग किया गया है। भले ही वास्तविक मापों में से कोई भी नरम चरण (सॉफ्ट फेज) की "शुद्ध" कठोरता श्रेणी में नहीं आया था, फिर भी कंप्यूटर सिमुलेशन ने वास्तविक कठोरता मानों को खोजने के लिए सफलतापूर्वक पीछे की ओर काम किया।

यह पेपर किन चीजों को खारिज करता है
लेखक इस बारे में बहुत स्पष्ट हैं कि यह विधि क्या नहीं करती है। वे स्पष्ट रूप से कहते हैं कि आप महीन-दाने वाली संरचना से कच्चे डेटा को देखकर और वास्तविक कठोरता मानों को नहीं चुन सकते। यदि गड्ढा अनाज से बड़ा है (R > 1), तो डेटा सीधे व्याख्या करने के लिए बहुत अधिक उलझा हुआ है। आप "मडी" नंबरों को अनदेखा नहीं कर सकते; आपको पूरे डेटासेट और कंप्यूटर मॉडल का उपयोग करके उन्हें डिकोड करना होगा।

वे कितने आश्वस्त हैं?
यह ध्यान रखना महत्वपूर्ण है कि इस नए तरीके का मूल आधार कंप्यूटर सिमुलेशन और आभासी परीक्षण है। लेखकों ने दिखाया कि उनका वर्चुअल प्रोग्राम इन रैंडम टेस्ट के परिणामों की भविष्यवाणी कर सकता है और फिर वास्तविक मानों को रिवर्स-इंजीनियर कर सकता है। उन्होंने इस तर्क को एक वास्तविक स्टील सैंपल पर लागू किया ताकि दिखाया जा सके कि यह कैसे काम करेगा, लेकिन यह साबित करने के लिए कि यह तरीका काम करता है, भारी काम वर्चुअल प्रमाणों द्वारा किया गया था। वे सुझाव देते हैं कि यह दृष्टिकोण बेहतर मिश्र धातुओं को डिजाइन करने और गुणवत्ता की जांच करने के लिए एक शक्तिशाली उपकरण हो सकता है, लेकिन पेपर इसे एक प्रस्तावित कार्यप्रणाली के रूप में प्रस्तुत करता है जो मजबूत वर्चुअल साक्ष्यों द्वारा समर्थित है, न कि हर एक धातु के लिए सार्वभौमिक रूप से सिद्ध तथ्य के रूप में।

निष्कर्ष
एक छोटे अनाज पर एक छोटे हीरे को निशाना बनाने के संघर्ष के बजाय, यह नया तरीका कहता है: "बस बेतरतीब ढंग से दबाएं, सब कुछ रिकॉर्ड करें, और एक स्मार्ट कंप्यूटर को असली रेसिपी का पता लगाने दें।" यह डेटा के एक बिखरे हुए, भ्रमित करने वाले ढेर को धातु की वास्तविक संरचना की एक स्पष्ट तस्वीर में बदल देता है, भले ही अनाज स्पष्ट रूप से देखने के लिए बहुत छोटे क्यों न हों।