Deep Learning-Assisted Multi-Objective Optimization and Microstructure Property Correlation in Rotary Friction Welding of Dissimilar AA1100–AA2014 Aluminium Alloys

कल्पना कीजिए कि आप एक आदर्श केक बनाने की कोशिश कर रहे हैं, लेकिन आपके पास दो बहुत ही अलग सामग्रियां हैं: एक नरम, खिंचने वाला मार्शमैलो है, और दूसरा सख्त, कुरकुरा कुकी (बिस्किट) है। यदि आप उन्हें एक सामान्य ओवन में एक साथ पिघलाने की कोशिश करते हैं, तो मार्शमैलो एक चिपचिपे ढेर में बदल सकता है जबकि कुकी सख्त बनी रह सकती है, या वे पूरी तरह से अलग हो सकते हैं। यह बिल्कुल वही समस्या है जिसका सामना इंजीनियरों को विभिन्न प्रकार के एल्युमीनियम को जोड़ने का प्रयास करते समय करना पड़ता है। एक प्रकार का एल्युमीनियम नरम होता है और गर्मी का संचालन करने में बहुत अच्छा होता है (मार्शमैलो की तरह), जबकि दूसरा बहुत मजबूत लेकिन काम करने में कठिन होता है (कुकी की तरह)। आमतौर पर, जब आप उच्च गर्मी का उपयोग करके उन्हें वेल्ड करने की कोशिश करते हैं, तो वे अच्छी तरह से नहीं मिल पाते, जिससे कमजोर हिस्से रह जाते हैं जो दबाव में टूट सकते हैं।

इस समस्या को हल करने के लिए, वैज्ञानिक "रोटरी फ्रिक्शन वेल्डिंग" (Rotary Friction Welding) नामक तकनीक का उपयोग करते हैं। सामान्य वेल्ड की तरह धातु को पिघलाने के बजाय, वे एक टुकड़े को दूसरे के विरुद्ध उच्च गति पर घुमाते हैं। इसे अपने हाथों को बहुत तेज़ी से आपस में रगड़ने जैसा समझें जिससे वे गर्म हो जाते हैं; घर्षण (फ्रिक्शन) इतनी गर्मी पैदा करता है कि धातु पिघले बिना ही नरम और लचीली हो जाती है। फिर, वे उन्हें एक ठोस टुकड़े में जोड़ने के लिए एक भारी हथौड़े (जिसे फोर्जिंग कहा जाता है) से दबाते हैं। पेचीदा हिस्सा यह पता लगाना है कि उन्हें कितनी तेज़ी से घुमाना है, कितना दबाव डालना है, और कितनी देर तक। यदि आप इस "रेसिपी" को गलत कर देते हैं, तो जोड़ कमजोर होगा। यहीं पर यह शोध पत्र काम आता है, जो पुराने प्रयोगों और सुपर-स्मार्ट कंप्यूटर दिमागों के मिश्रण का उपयोग करके इन दो बहुत ही अलग एल्युमीनियम मिश्र धातुओं को जोड़ने के लिए एकदम सही रेसिपी खोजने का काम करता है।

महान एल्युमीनियम मुकाबला (The Great Aluminum Match-Up)

इस अध्ययन में, शोधकर्ताओं ने दो विशिष्ट एल्युमीनियम मिश्र धातुओं को जोड़ने की चुनौती को हल किया: AA1100 और AA2014। आप AA1100 को "कोमल दिग्गज" (gentle giant) मान सकते हैं—यह बहुत नरम है, आसानी से खिंचता है, और गर्मी का संचालन बेहतरीन तरीके से करता है। दूसरी ओर, AA2014 "कठोर योद्धा" (tough brawler) है—यह अविश्वसनीय रूप से मजबूत, सख्त है और भारी भार उठाने के लिए बना है, लेकिन यह थोड़ा भंगुर (brittle) है। उन्हें जोड़ना एक रबर बैंड को स्टील की छड़ से चिपकाने जैसा है; यदि आप इसे गलत करते हैं, तो बंधन विफल हो जाता है।

टीम ने रोटरी फ्रिक्शन वेल्डिंग (RFW) नामक विधि का उपयोग किया। कल्पना करें कि आपने दो पेंसिल पकड़ी हुई हैं, एक को दूसरे के विरुद्ध घुमा रहे हैं जब तक कि वे गर्म और नरम न हो जाएं, फिर उन्हें आपस में दबा रहे हैं। कारखाने में, यह धातु के सिलेंडरों के साथ किया जाता है। शोधकर्ताओं के पास इस प्रक्रिया को नियंत्रित करने के लिए पांच "नॉब्स" (बटन/नियंत्रक) थे: धातु कितनी तेज़ी से घूमती है (RPM), घूमने के दौरान वे कितना दबाव डालते हैं (फ्रिक्शन प्रेशर), रुकने के बाद वे कितना दबाव डालते हैं (फोर्जिंग प्रेशर), और वे प्रत्येक चरण को कितनी देर तक करते हैं (समय)।

प्रयोग: एक रेसिपी की खोज

परफेक्ट सेटिंग्स खोजने के लिए, शोधकर्ताओं ने केवल अनुमान नहीं लगाया। उन्होंने Taguchi L27 डिजाइन नामक एक व्यवस्थित योजना का उपयोग किया। यह एक शेफ की तरह है जो एक विशेष पैटर्न में चीनी, आटा और बेकिंग समय की मात्रा बदलकर अपनी रेसिपी के 27 अलग-अलग संस्करणों का परीक्षण करता है ताकि यह देखा जा सके कि कौन सा संयोजन सबसे अच्छा केक बनाता है। उन्होंने गति, दबाव और समय को बदलते हुए 27 अलग-अलग वेल्डिंग प्रयोग किए।

वेल्डिंग के बाद, उन्होंने जोड़ों की कड़ी परीक्षा ली। उन्होंने उन्हें अलग करने के लिए खींचा ताकि उनकी मजबूती (tensile strength) देखी जा सके, सतह की कठोरता (microhardness) मापी, और उन्हें खींचकर देखा कि टूटने से पहले वे कितना झुक सकते हैं (elongation)। उन्होंने सूक्ष्मदर्शी (SEM) और एक्स-रे (XRD) का भी उपयोग किया ताकि वे धातु को उसके सूक्ष्म, क्रिस्टल स्तर पर देख सकें।

कंप्यूटर का दिमाग: डीप लर्निंग (Deep Learning)

यहाँ से अध्ययन वास्तव में भविष्यवादी हो जाता है। केवल 27 परिणामों को देखने और पैटर्न का अनुमान लगाने के बजाय, शोधकर्ताओं ने एक डीप न्यूरल नेटवर्क (DNN) बनाया। इसे एक डिजिटल मस्तिष्क के रूप में सोचें जो उदाहरणों से सीखता है। उन्होंने कंप्यूटर को 27 प्रयोगों का सारा डेटा दिया—जो सेटिंग्स उपयोग की गईं और जो परिणाम प्राप्त हुए। कंप्यूटर का काम उन छिपे हुए, जटिल नियमों को समझना था जो सेटिंग्स को वेल्ड की मजबूती से जोड़ते हैं।

एक बार जब कंप्यूटर ने नियम सीख लिए, तो उन्होंने NSGA-II नामक एक दूसरे स्मार्ट टूल का उपयोग किया। यह एक सुपर-ऑप्टिमाइज़र की तरह है जो "परफेक्ट" संतुलन की तलाश करता है। चूंकि आप हमेशा अधिकतम मजबूती और अधिकतम लचीलापन एक साथ नहीं पा सकते (वे अक्सर एक-दूसरे के विपरीत होते हैं), ऑप्टिमाइज़र सबसे अच्छा समझौता ढूंढता है, जिसे "पारेटो फ्रंट" (Pareto front) कहा जाता है। यह मानचित्र पर उस सटीक स्थान को खोजने जैसा है जहाँ आप समुद्र तट और पहाड़ों दोनों के करीब हों, बजाय इसके कि आप कहीं बीच में फंसे हों।

उन्हें क्या मिला

परिणाम प्रभावशाली थे। "डिजिटल मस्तिष्क" ने नियमों को अविश्वसनीय रूप से अच्छी तरह से सीखा। जब शोधकर्ताओं ने कंप्यूटर के अनुमानों का वास्तविक दुनिया के परिणामों के साथ परीक्षण किया, तो कंप्यूटर 98.7% बार सही था (एक R² मान 0.987)। इसका मतलब है कि कंप्यूटर मॉडल एक बहुत ही विश्वसनीय उपकरण है जो हर बार भौतिक नमूना बनाए बिना यह भविष्यवाणी कर सकता है कि वेल्ड कैसा व्यवहार करेगा।

अध्ययन ने पाया कि सबसे अच्छी वेल्डिंग रेसिपी में 1200 RPM पर घूमना, 70 MPa का फ्रिक्शन प्रेशर, 90 MPa का फोर्जिंग प्रेशर, 4 सेकंड का फ्रिक्शन टाइम और 5 सेकंड का फोर्जिंग टाइम शामिल था।

इन सेटिंग्स का उपयोग करके, उन्होंने एक ऐसा जोड़ बनाया जो था:

• 142 MPa मजबूत (उन सबसे कमजोर जोड़ों की तुलना में एक महत्वपूर्ण उछाल जो केवल 95 MPa के थे)।
• 122.3 HV कठोर।
• टूटने से पहले 10% तक खिंचने में सक्षम।

गुप्त सूत्र: अंदर क्या हो रहा है?

ये सेटिंग्स इतनी अच्छी तरह से क्यों काम कर गईं? शोधकर्ताओं ने सूक्ष्मदर्शी के नीचे देखा और उत्तर मिल गया। सबसे अच्छे जोड़ों में, धातु के दाने (धातु के छोटे क्रिस्टल जिनसे वह बनी है) बहुत महीन और एकसमान हो गए, जैसे कि एक चिकखी, कसकर भरी भीड़। यह इसलिए हुआ क्योंकि गर्मी और दबाव ने डायनेमिक रीक्रिस्टलाइजेशन (dynamic recrystallization) नामक प्रक्रिया को जन्म दिया, जहाँ धातु खुद को एक मजबूत संरचना में पुनर्गठित करती है।

महत्वपूर्ण रूप से, उन्होंने जोड़ पर कोई हानिकारक दरारें या अजीब रासायनिक प्रतिक्रियाएं (इंटरमेटेलिक फेज़) नहीं पाईं। एक्स-रे विश्लेषण ने दिखाया कि धातु ने अपनी मूल संरचना को बनाए रखा और भंगुर, कमजोर यौगिकों में नहीं बदली। AA1100 की तरफ "डक्टाइल फ्रैक्चर" (ductile fracture) दिखा, जिसका अर्थ है कि यह एक नरम प्लास्टिक बैग की तरह खिंचा और फटा, जबकि AA2014 की तरफ इसकी सख्त, अवक्षेप-भरी (precipitate-filled) संरचना के संकेत मिले। इन अंतरों के बावजूद, दोनों धातुएं पूरी तरह से जुड़ गईं, जिससे एक निर्बाध बंधन बना।

यह क्यों मायने रखता है

यह शोध पत्र सुझाव देता है कि वास्तविक दुनिया के प्रयोगों को एक स्मार्ट कंप्यूटर मॉडल के साथ जोड़कर, इंजीनियर बिना समय और पैसा बर्बाद किए विभिन्न धातुओं को जोड़ने का सबसे अच्छा तरीका जल्दी से खोज सकते हैं। "हाइब्रिड" दृष्टिकोण—परिणामों की भविष्यवाणी करने के लिए डीप न्यूरल नेटवर्क का उपयोग करना और सर्वोत्तम सेटिंग्स खोजने के लिए एक ऑप्टिमाइज़र का उपयोग करना—एक उच्च-तकनीकी निर्णय लेने वाले उपकरण के रूप में कार्य करता है।

शोधकर्ताओं का मानना है कि यह तरीका एयरोस्पेस, ऑटोमोटिव और रेलवे जैसे उद्योगों के लिए गेम-चेंजर हो सकता है, जहाँ हल्के लेकिन मजबूत ढांचे बनाना आवश्यक है। विभिन्न एल्युमीनियम मिश्र धातुओं को जोड़ने की कला में महारत हासिल करके, वे हल्के विमान और कारें बना सकते हैं जो कम ईंधन का उपयोग करती हैं, और साथ ही यह भी सुनिश्चित कर सकते हैं कि जोड़ इतने मजबूत हों कि सभी सुरक्षित रहें। यह अध्ययन पुष्टि करता है कि सही "रेसिपी" और आर्टिफिशियल इंटेलिजेंस की थोड़ी मदद के साथ, सबसे बेमेल सामग्रियां भी एक आदर्श टीम बन सकती हैं।