A back propagation neural network with improved sine cosine algorithm approach for multi-response drilling optimization of carbon fiber reinforced polymer (CFRP)
यह अध्ययन कार्बन फाइबर प्रबलित पॉलिमर के लिए मल्टी-रिस्पॉन्स ड्रिलिंग मापदंडों की भविष्यवाणी और अनुकूलन करने हेतु एक उन्नत साइन-कोसाइन एल्गोरिदम के साथ बैक प्रोपेगेशन न्यूरल नेटवर्क को संयोजित करने वाले एक एकीकृत दृष्टिकोण का प्रस्ताव करता है, जो मानक विधियों की तुलना में प्रदर्शन को बढ़ाने के लिए अनुकूली ऑपरेटर चयन और जनसंख्या प्रबंधन का उपयोग करता है।
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
एयरोस्पेस की उच्च-दांव वाली दुनिया में, जहाँ वजन का हर एक अंश मायने रखता है, इंजीनियर एक ऐसे पदार्थ पर भरोसा करते हैं जो स्टील जितना मजबूत लेकिन एल्युमीनियम जैसा हल्का है: कार्बन फाइबर रिइन्फोर्स्ड पॉलिमर। यह मिश्रित सामग्री (कंपोजिट मटेरियल), जो प्लास्टिक रेजिन द्वारा आपस में जुड़ी अविश्वसनीय रूप से पतली कार्बन स्ट्रैंड्स से बनी है, आधुनिक विमान के पंखों और फ्यूजलेज का आधार बनती है। हालाँकि, इन कठोर शीटों को उपयोगी पुर्जों में बदलने के लिए संरचना को बोल्ट से जोड़ने हेतु हजारों छेद करने पड़ते हैं। यह सरल दिखने वाला कार्य इस सामग्री के लिए खतरनाक है। क्योंकि फाइबर भंगुर होते हैं और बाइंडिंग रेजिन नरम होता है, इसलिए एक मानक ड्रिल बिट की गर्मी और दबाव परतों को अलग कर सकता है या उनमें दरारें पैदा कर सकता है, जिसे 'डिलेमिनेशन' (परतों का अलग होना) के रूप में जाना जाता है। एक बार जब यह क्षति होती है, तो पूरे घटक की संरचनात्मक अखंडता खतरे में पड़ जाती है, जिससे विनाशकारी विफलता हो सकती है। निर्माताओं के लिए चुनौती ड्रिल की गति, फीड रेट और टूल के आकार का सही संयोजन खोजने की है ताकि सामग्री को खराब किए बिना साफ छेद किए जा सकें, एक ऐसा संतुलन जिसे बनाने के लिए लंबे समय से प्रयास और त्रुटि (ट्रायल एंड एरर) की आवश्यकता रही है।
इस पहेली को सुलझाने के लिए, इंडोनेशिया और ऑस्ट्रेलिया के शोधकर्ताओं की एक टीम ने एक नई डिजिटल रणनीति विकसित की है जो दो शक्तिशाली उपकरणों को जोड़ती है: एक सीखने वाला कंप्यूटर प्रोग्राम और एक स्मार्ट सर्च एल्गोरिदम। उन्होंने कार्बन फाइबर प्लेटों पर वास्तविक दुनिया के ड्रिलिंग प्रयोगों की एक श्रृंखला आयोजित करके शुरुआत की। एक विशेष मशीन का उपयोग करते हुए, उन्होंने दो अलग-अलग प्रकार के ड्रिल बिट्स—एक मानक ट्विस्ट ड्रिल और एक ब्रैड स्पर ड्रिल—का उपयोग करके, ड्रिल की गति और सामग्री के भीतर इसके आगे बढ़ने की गति को व्यवस्थित रूप से बदलते हुए छेद किए। प्रत्येक छेद के लिए, उन्होंने चार महत्वपूर्ण परिणामों को मापा: ड्रिल पर नीचे की ओर लगने वाला बल, इसे घुमाने के लिए आवश्यक टॉर्क, और छेद के प्रवेश एवं निकास दोनों बिंदुओं पर दिखाई देने वाली दरारों का आकार। उन्होंने यह भी ट्रैक किया कि सामग्री कितनी तेजी से हटाई जा रही थी। इन भौतिक मापों ने एक समृद्ध डेटासेट प्रदान किया जिससे पता चला कि विभिन्न सेटिंग्स छेद की गुणवत्ता को कैसे प्रभावित करती हैं।
शोधकर्ताओं ने इस प्रयोगात्मक डेटा को एक 'बैक प्रोपेगेशन न्यूरल नेटवर्क' में डाला, जो एक प्रकार का कंप्यूटर प्रोग्राम है जिसे मानव छात्र की तरह उदाहरणों से सीखने के लिए डिज़ाइन किया गया है। ड्रिलिंग सेटिंग्स और परिणामी क्षति के बीच के संबंध का विश्लेषण करके, कंप्यूटर ने एक अत्यधिक सटीक भविष्य कहनेवाला मॉडल (प्रेडिक्टिव मॉडल) बनाया। यह मॉडल नए सेटिंग्स के समूह को देखकर, बिना भौतिक छेद किए, संभावित बल, टॉर्क और क्षति के स्तर की तुरंत भविष्यवाणी कर सकता था। हालाँकि, यह जानना कि परिणाम की भविष्यवाणी कैसे की जाए, केवल आधी लड़ाई है; वास्तविक लक्ष्य उन सर्वोत्तम सेटिंग्स को खोजना था जो क्षति को कम करते हुए दक्षता को अधिकतम करें। ऐसा करने के लिए, टीम ने 'साइन-कोसाइन एल्गोरिदम' नामक एक खोज पद्धति के उन्नत संस्करण का उपयोग किया। कल्पना कीजिए कि सेटिंग्स का एक विशाल परिदृश्य है, जहाँ कुछ बिंदु सुरक्षित हैं और अन्य खतरनाक हैं। एल्गोरिदम एक मार्गदर्शक के रूप में कार्य करता है, जो इस परिदृश्य में सबसे निचले बिंदु की तलाश करने के लिए आभासी खोजकर्ताओं (वर्चुअल एक्सप्लोरर्स) के एक झुंड को भेजता है, जो पूर्ण ड्रिलिंग स्थितियों का प्रतिनिधित्व करता है।
टीम का नवाचार उनके खोज मार्गदर्शक (सर्च गाइड) को बेहतर बनाने में निहित था। मानक खोज एल्गोरिदम कभी-कभी स्थानीय निम्न बिंदुओं (लोकल लो पॉइंट्स) में फंस जाते हैं, यह सोचकर कि उन्होंने सबसे अच्छा समाधान पा लिया है जबकि पास में ही कोई बेहतर समाधान मौजूद होता है। इसे रोकने के लिए, शोधकर्ताओं ने अपने एल्गोरिदम में दो नए नियम जोड़े। पहले, उन्होंने एल्गोरिदम को पिछले चरणों में जो सबसे अच्छा रहा उसके आधार पर अपनी खोज रणनीति को अनुकूल रूप अनुसार चुनने की क्षमता दी, जो अनिवार्य रूप से अपने स्वयं के इतिहास से सीखकर बेहतर चालें चलता है। दूसरा, उन्होंने एक जनसंख्या प्रबंधन तकनीक पेश की जिसने यह सुनिश्चित किया कि आभासी खोजकर्ता बहुत जल्दी एक ही स्थान पर जमा न हो जाएं। इसने खोज को विविध बनाए रखा, जिससे एल्गोरिदम को अंतिम उत्तर पर बैठने से पहले समाधान स्थान के विभिन्न क्षेत्रों को पूरी तरह से खोजने की अनुमति मिली। जब उन्होंने इस उन्नत प्रणाली का परीक्षण मानक संस्करण के विरुद्ध किया, तो नए दृष्टिकोण ने लगातार बेहतर समाधान खोजे, जिसमें एक ट्विस्ट ड्रिल बिट, 3000 आरपीएम का स्पिंडल स्पीड और 160.1 मिलीमीटर प्रति मिनट का फीड रेट वाला एक विशिष्ट संयोजन इष्टतम कॉन्फ़िगरेशन के रूप में पहचाना गया।
इस अध्ययन के परिणाम विनिर्माण के लिए एक स्पष्ट मार्ग प्रदान करते। शोधकर्ताओं ने पाया कि ब्रैड स्पर ड्रिल की तुलना में ट्विस्ट ड्रिल बिट का उपयोग करने से छेद के निकास (एग्जिट) पर कम क्षति होती है, जबकि उच्च स्पिंडल स्पीड सामग्री को थोड़ा नरम करने में मदद करती है, जिससे आवश्यक बल और परिणामी दरारें कम हो जाती हैं। इसके विपरीत, जिस गति से ड्रिल सामग्री के भीतर आगे बढ़ता है, उसे बढ़ाने से बल और क्षति बढ़ जाती है। अपने भविष्य कहने वाले कंप्यूटर मॉडल को उन्नत खोज एल्गोरिदम के साथ जोड़कर, टीम ने प्रदर्शित किया कि यह गणना करना संभव है कि न्यूनतम बर्बादी के साथ उच्च गुणवत्ता वाले छेद बनाने के लिए सटीक ड्रिलिंग पैरामीटर क्या होने चाहिए। यह कार्य केवल एक सैद्धांतिक संभावना का सुझाव नहीं देता है; यह एक महत्वपूर्ण औद्योगिक प्रक्रिया को अनुकूलित करने के लिए एक ठोस, परीक्षित विधि प्रदान करता है। जैसे-जैसे एयरोस्पेस उद्योग हल्के और अधिक मजबूत विमानों के लिए प्रयास जारी रख रहा है, ऐसी डेटा-संचालित दृष्टिकोण यह सुनिश्चित करने के लिए आवश्यक होंगे कि इन उन्नत संरचनाओं को जोड़ने वाले छेद अत्यंत सटीकता और देखभाल के साथ बनाए जाएं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।