Milling force-induced elastic deformation modeling and physical constraint transfer prediction of thin-walled grid conical shell

धातु से बनी एक पतली, घुमावदार सतह की कल्पना करें, जो एक शंकु (cone) के आकार की है और जिसे पसलियों (ribs) के एक ग्रिड के साथ सुदृढ़ किया गया है, ठीक वैसे ही जैसे किसी पक्षी के पंख का कंकाल या किसी पुल का ढांचा होता है। ये संरचनाएं एयरोस्पेस और गहरे समुद्र की खोज में अत्यंत महत्वपूर्ण हैं क्योंकि वे अविश्वसनीय रूप से मजबूत हैं, फिर भी भारी भार उठाने के लिए पर्याप्त हल्की हैं बिना अत्यधिक वजन बढ़ाए। हालांकि, इन्हें बनाना एक नाजुक संतुलन का काम है। जब कोई मशीन टूल इन सतहों को आकार देने के लिए सामग्री को काटता है, तो काटने वाले उपकरण का बल पतली धातु पर दबाव डालता है। चूंकि धातु बहुत पतली होती है और पसलियों से मिलने वाला सहारा असमान होता है, इसलिए यह दबाव के तहत थोड़ा झुक जाती है। यह झुकना कटाई के दौरान नग्न आंखों से अदृश्य होता है, लेकिन यह कट की गहराई को बदल देता है। जब उपकरण हट जाता है और दबाव मुक्त हो जाता है, तो धातु अपने मूल आकार में वापस आ जाती है, जिससे अंतिम सतह इच्छित रूप से थोड़ी भिन्न हो जाती है। इसके परिणामस्वरूप, भाग (part) की मोटाई असमान हो जाती है, जो इसकी मजबूती और सुरक्षा से समझौता कर सकती है।

इंजीनियरों के लिए चुनौती यह अनुमान लगाना रही है कि यह झुकना बिल्कुल कितना होगा। पारंपरिक तरीके या तो जटिल गणितीय सिद्धांतों पर निर्भर करते हैं जो पसलियों के अनियमित पैटर्न के साथ संघर्ष करते हैं, या वे कंप्यूटर सिमुलेशन का उपयोग करते हैं जो अविश्वसनीय रूप से सटीक हैं लेकिन इतने धीमे और महंगे हैं कि उन्हें वास्तविक कारखाने के फर्श पर हर एक कट के लिए उपयोग नहीं किया जा सकता है। वास्तविक दुनिया के डेटा की भी कमी है; हर संभावित भिन्नता को सीखने के लिए पर्याप्त भौतिक परीक्षण चलाना वर्षों ले लेगा और अनगिनत महंगे हिस्सों को नष्ट कर देगा। शोधकर्ताओं को डेटा-संचालित भविष्यवाणियों की गति और भौतिक नियमों की विश्वसनीयता को जोड़ने के तरीके की आवश्यकता थी, विशेष रूप से तब जब उनके पास वास्तविक प्रयोगों का एक छोटा समूह ही उपलब्ध हो।

डालियन यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इन विशिष्ट ग्रिड-पैटर्न वाले शंक्वाकार सतहों के लिए इस समस्या को हल करने हेतु एक नया दृष्टिकोण विकसित किया है। इस समस्या को सीधे मशीन की सेटिंग्स से अंतिम आकार का अनुमान लगाने के बजाय, उन्होंने इसे दो जुड़े हुए चरणों में विभाजित किया। सबसे पहले, उन्होंने धातु पर काटने वाले उपकरण द्वारा लगाए जाने वाले बल की भविष्यवाणी करने पर ध्यान केंद्रित किया। इसे करने के लिए, उन्होंने 'ट्रांसफर लर्निंग' नामक तकनीक का उपयोग किया। उन्होंने एक विशाल सिम्युलेटेड डेटा पर अपने कंप्यूटर मॉडल को प्रशिक्षित करके शुरुआत की, जहाँ कंप्यूटर तेजी से हजारों आभासी कटिंग परिदृश्यों को चला सकता था। इसने मॉडल को यह समझने की मजबूत समझ दी कि उपकरण सामान्य रूप से कैसे व्यवहार करता है। फिर, उन्होंने इस ज्ञान को वास्तविक मिलिंग प्रयोगों के एक बहुत छोटे डेटा सेट का उपयोग करके परिष्कृत किया। इसने मॉडल को हजारों भौतिक परीक्षणों की आवश्यकता के बिना वास्तविक मशीन और वास्तविक धातु की विशिष्ट बारीकियों को सीखने में सक्षम बनाया।

एक बार जब मॉडल ने कटिंग फोर्स (काटने के बल) की भविष्यवाणी कर दी, तो उसने उस जानकारी को सिस्टम के दूसरे भाग को सौंप दिया। इस दूसरे भाग ने पतली सतहों के झुकने के सिद्धांत से प्राप्त भौतिक नियमों के एक सेट का उपयोग किया। इसने अनुमानित बल और उस सटीक स्थान पर धातु की विशिष्ट कठोरता (stiffness) को लिया—यह ध्यान में रखते हुए कि उपकरण एक पसली या अंतराल के कितने करीब है—और गणना की कि सतह कितनी झुकेगी। कटिंग फोर्स की डेटा-संचालित भविष्यवाणी को झुकने की भौतिकी-आधारित गणना के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जो तेज और भौतिक रूप से सुसंगत है। उन्होंने एक वास्तविक एल्युमीनियम मिश्र धातु शंकु सतह को मिलिंग करके इस पद्धति को सत्यापित किया, जिसकी प्रारंभिक मोटाई 10 मिलीमीटर थी और जिसे 3.5 मिलीमीटर की अंतिम पसली ऊंचाई तक मशीन किया गया था। मशीन ने 5,000 आरपीएम (revolutions per minute) की गति से घूमने वाले 10-मिलीमीटर व्यास के कटर का उपयोग किया।

परिणामों ने दिखाया कि यह हाइब्रिड विधि केवल डेटा या केवल पारंपरिक सिमुलेशन विधियों का उपयोग करने की तुलना में काफी अधिक सटीक थी। प्रक्रिया के दौरान लिए गए वास्तविक मापों के विरुद्ध परीक्षण करने पर, नए मॉडल ने 93 प्रतिशत से अधिक मामलों में लोचदार विरूपण (elastic deformation) की सही भविष्यवाणी की, जिसमें कुछ टेस्ट मोड 95 प्रतिशत से अधिक सटीकता तक पहुंचे। इसके विपरीत, जो मॉडल केवल डेटा या बिना इस विशिष्ट संयोजन के केवल सिमुलेशन पर निर्भर थे, उन्होंने कम सटीकता दिखाई और धातु की कठोरता में अचानक बदलावों के साथ अधिक संघर्ष किया। यह अध्ययन प्रदर्शित करता है कि कटिंग फोर्स को एक महत्वपूर्ण मध्यवर्ती चरण के रूप में मानकर और एक बड़े सिम्युलेटेड डेटा को सुधारने के लिए वास्तविक दुनिया के थोड़े से डेटा का उपयोग करके, इंजीनियर इन जटिल, पतली दीवारों वाले भागों के व्यवहार की विश्वसनीय रूप से भविष्यवाणी कर सकते हैं। यह क्षमता इन महत्वपूर्ण एयरोस्पेस और गहरे समुद्र के घटकों को उनके सुरक्षित संचालन के लिए आवश्यक उच्च सटीकता के साथ बनाने का एक व्यावहारिक मार्ग प्रदान करती है।