A Physics-aware Melt Pool Feature Integration Framework for Density Prediction and Optimization Strategies Evaluation in Additive Manufacturing

एक ऐसी दुनिया की कल्पना करें जहाँ जटिल धातु के पुर्जे, जेट इंजन के घटकों से लेकर मेडिकल इम्प्लांट्स तक, ढलाई या मशीनिंग द्वारा नहीं, बल्कि एक लेजर द्वारा बनाए जाते हैं जो धातु के सूक्ष्म पाउडर की परतों को पिघलाकर उन्हें एक ठोस वस्तु में जोड़ देता है। यह एडिटिव मैन्युफैक्चरिंग (additive manufacturing) है, एक ऐसी तकनीक जो अविश्वसनीय डिजाइन स्वतंत्रता तो प्रदान करती है, लेकिन एक बड़ी बाधा का सामना करती है: यह प्रक्रिया अराजक है। जैसे ही लेजर चलता है, यह पिघली हुई धातु का एक छोटा, उबलता हुआ पूल बनाता है जो शक्ति, गति या सुरक्षात्मक गैस के प्रवाह में होने वाले परिवर्तनों के प्रति तुरंत प्रतिक्रिया करता है। यदि यह प्रतिक्रिया थोड़ी भी गलत होती है, तो पुर्जे के भीतर अदृश्य रिक्त स्थान या छिद्र बन सकते हैं, जो इसे कमजोर कर सकते हैं और तनाव के तहत इसके विफल होने का कारण बन सकते हैं। दशकों से, इंजीनियरों ने इन दोषों से बचने के लिए सटीक सेटिंग्स खोजने की कोशिश की है, लेकिन उनका मुख्य उपकरण एक धीमी, विनाशकारी प्रक्रिया रही है: एक पुर्जा बनाना, उसे काटकर खोलना, छिद्रों को मापना, और फिर अनुमान लगाना कि अगली बार क्या बदलना है। यह 'ट्रायल-एंड-एरर' (प्रयास और त्रुटि) दृष्टिकोण आधुनिक उद्योग की मांगों के लिए बहुत धीमा है, जिससे पुर्जे के पूरा होने से पहले ही उसकी गुणवत्ता का पूर्वानुमान लगाने के लिए एक महत्वपूर्ण आवश्यकता पैदा हो गई है।

शोधकर्ताओं की एक टीम ने अब पुर्जा पूरा होने से पहले ही निर्माण प्रक्रिया के भीतर देखने का एक नया तरीका विकसित किया है, जो धातु के बनने के दौरान उसे "सुनने" की विधि का उपयोग करता है। उच्च-प्रदर्शन अनुप्रयोगों में उपयोग किए जाने वाले एक विशिष्ट कॉपर अलॉय (तांबे के मिश्र धातु) पर ध्यान केंद्रित करते हुए, उन्होंने एक ऐसी प्रणाली बनाई है जो मशीन की सेटिंग्स को पिघली हुई धातु के वास्तविक समय (real-time) के दृश्य के साथ जोड़ती है। केवल मशीन के डायल के आधार पर अनुमान लगाने के बजाय, उनका दृष्टिकोण तरल धातु के छोटे पूल के व्यवहार को देखता है, जिसमें उसके आकार, चमक और उतार-चढ़ाव को मापा जाता है। इस लाइव डेटा को एक स्मार्ट कंप्यूटर मॉडल में फीड करके, वे यह अनुमान लगा सकते हैं कि अंतिम वस्तु कितनी सघन (dense) होगी, जिससे वे बिना पुर्जे को काटे ही अदृश्य छिद्रों की गिनती कर सकते हैं। यह इंजीनियरों को भौतिक परीक्षण के लिए दिनों तक प्रतीक्षा करने के बजाय, निर्माण की गुणवत्ता में सुधार के लिए विभिन्न रणनीतियों का तुरंत परीक्षण करने की अनुमति देता है।

इस पूर्वानुमान की यात्रा एक चुनौती के साथ शुरू हुई: इन प्रयोगों के लिए उपलब्ध डेटा अक्सर छोटा और अव्यवस्थित होता है। जब शोधकर्ता लेजर पावर और गति के विभिन्न संयोजनों का परीक्षण करने के लिए सौ प्रयोग चलाते हैं, तो परिणाम अनिवार्य रूप रूप से उपकरणों के कंपन या पर्यावरणीय बदलावों के कारण शोर (noise) से दूषित हो जाते हैं। इसे हल करने के लिए, टीम ने डेटा के लिए तीन-चरणीय सफाई प्रक्रिया तैयार की। सबसे पहले, उन्होंने पूरे परिणामों के सेट को देखा ताकि उन बिंदुओं को खोजा जा सके जो बाकी से बहुत अलग थे। इसके बाद, उन्होंने डेटा के छोटे समूहों की जांच की ताकि उन स्थानीय गड़बड़ियों को पकड़ा जा सके जिन्हें पहले चरण में छोड़ दिया गया था। अंत में, उन्होंने डेटा के सबसे घने समूहों के भीतर देखा ताकि उन सूक्ष्म बाहरी कारकों (outliers) को खोजा जा सके जो पैटर्न में फिट नहीं बैठते थे। इन शोर वाले बिंदुओं को सावधानीपूर्वक हटाकर, उन्होंने एक बहुत ही स्वच्छ डेटासेट बनाया, जिसने उनके कंप्यूटर मॉडल को मशीन की सेटिंग्स और अंतिम गुणवत्ता के बीच के वास्तविक संबंध को सीखने में मदद की।

डेटा साफ होने के बाद, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो धातु के पुर्जे के घनत्व (density) की भविष्यवाणी कर सकता था। उन्होंने कंप्यूटर के सीखने के कई अलग-अलग तरीकों का परीक्षण किया, और अंततः पाया कि एक विशिष्ट प्रकार का एल्गोरिदम इस छोटे, जटिल डेटासेट के लिए सबसे अच्छा काम करता है। महत्वपूर्ण रूप से, उन्होंने पाया कि केवल कंप्यूटर को मशीन की सेटिंग्स बताना—जैसे कि लेजर कितनी तेजी से चला या कितना पाउडर डाला गया—पर्याप्त नहीं था। मॉडल को प्रक्रिया की भौतिक वास्तविकता को देखने की आवश्यकता थी। जब उन्होंने इसमें "फिजिकल फीचर्स" (भौतिक विशेषताएं) जोड़ीं, जो ऊर्जा वितरण का प्रतिनिधित्व करने वाले गणना किए गए मान हैं, और "मेल्ट पूल फीचर्स" (पिघले हुए पूल की विशेषताएं), जो पिघली हुई धातु के व्यवहार के प्रत्यक्ष माप हैं, तो मॉडल की सटीकता में उल्लेखनीय वृद्धि हुई। सिस्टम ने सीखा कि पिघली हुई धातु कैसे चमकती और चलती है, यह इस बात का सीधा संकेत है कि अंतिम भाग ठोस होगा या उसमें छेद होंगे।

इस भविष्यवाणी को पूरे ऑब्जेक्ट के लिए उपयोगी बनाने के लिए, टीम को एक ज्यामिति (geometry) की समस्या को हल करना था। एक धातु का पुर्जा एक समय में एक छोटे से बिंदु के रूप में बनाया जाता है, लेकिन अंतिम गुणवत्ता इस बात पर निर्भर करती है कि वे सभी बिंदु मिलकर क्या बनाते हैं। उन्होंने एक विधि विकसित की जिससे वे लेजर के पथ के प्रत्येक बिंदु की अनुमानित डेंसिटी को ले सकें और प्रत्येक बिंदु के आकार के आधार पर उसे वेटेज (weighting) देकर जोड़ सकें। इससे उन्हें पूरे घटक के समग्र घनत्व की गणना करने की अनुमति मिली, जिससे स्थानीय भविष्यवाणियों की एक श्रृंखला एक एकल, विश्वसनीय पूर्वानुमान में बदल गई। जब उन्होंने इस प्रणाली का परीक्षण किया, तो भविष्यवाणियां वास्तविक मापे गए घनत्व के साथ उल्लेखनीय सटीकता से मेल खाती थीं, जो केवल मशीन सेटिंग्स पर निर्भर रहने वाले मॉडलों से कहीं बेहतर प्रदर्शन करती थीं।

इस फ्रेमवर्क की वास्तविक शक्ति तब प्रदर्शित हुई जब शोधकर्ताओं ने इसका उपयोग निर्माण प्रक्रिया को सुधारने की विभिन्न रणनीतियों का मूल्यांकन करने के लिए किया। उन्होंने एक विधि का परीक्षण किया जहाँ फीडबैक के आधार पर वास्तविक समय में लेजर पावर को समायोजित किया जाता है, और उन्होंने बाहरी क्षेत्रों (fields), जैसे कि ध्वनि तरंगों, चुंबकों और ऊष्मा के उपयोग का भी परीक्षण किया, यह देखने के लिए कि क्या वे धातु को बेहतर ढंग से जोड़ने में मदद कर सकते हैं। मॉडल ने सही ढंग से भविष्यवाणी की कि थर्मल फील्ड (ऊष्मीय क्षेत्र) लागू करने से घनत्व में थोड़ी वृद्धि होगी, जबकि चुंबकीय क्षेत्र का लगभग कोई प्रभाव नहीं पड़ेगा। सबसे महत्वपूर्ण बात यह है कि इसने भविष्यवाणी की कि अल्ट्रासोनिक वाइब्रेशन (पराध्वनि कंपन) का उपयोग करने से पुर्जा वास्तव में खराब हो जाएगा, एक ऐसा निष्कर्ष जिसे पुर्जों के निर्माण और उनके मापन के दौरान पुष्टि की गई। हर मामले में, अनुमानित रुझान भौतिक वास्तविकता से मेल खाते थे, जिससे सिद्ध हुआ कि यह प्रणाली एक वर्चुअल टेस्टिंग ग्राउंड के रूप में कार्य कर सकती है।

यह कार्य धातु निर्माण के प्रति हमारे दृष्टिकोण में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। मशीन के कच्चे डेटा को पिघली हुई धातु की लाइव विजुअल कहानी के साथ एकीकृत करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो उत्पाद को नष्ट किए बिना अनुकूलन रणनीतियों का मूल्यांकन कर सकता है। मॉडल ने दिखाया कि प्रक्रिया सेटिंग्स को वास्तविक समय के भौतिक अवलोकनों के साथ जोड़कर, पुर्जे की गुणवत्ता की भविष्यवाणी करने वाली त्रुटि को एक प्रतिशत से भी कम किया जा सकता है। हालांकि वर्तमान प्रणाली एक विशिष्ट कॉपर अलॉय और एक विशेष प्रकार के लेजर डिपोजिशन के लिए तैयार की गई है, लेकिन यह दृष्टिकोण एक ऐसे भविष्य का सुझाव देता है जहाँ इंजीनियर अपने विनिर्माण कार्यों को उस स्तर के आत्मविश्वास के साथ सिम्युलेट और परिष्कृत कर सकते हैं जो पहले असंभव था। पुर्जे के आंतरिक गुण की निर्माण के दौरान ही भविष्यवाणी करने की क्षमता, उद्योग को अनुमान और उत्पादन के बाद के निरीक्षण से बदलकर सटीक, वास्तविक समय के नियंत्रण की ओर ले जाती है।