Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

एक ऐसे कारखाने के फर्श की कल्पना करें जहाँ विशाल धातु के पुर्जों को किसी ठोस ब्लॉक से तराशा नहीं जाता, बल्कि पिघली हुई धातु की एक धारा से परत-दर-परत बनाया जाता है। यह 'डायरेक्टेड एनर्जी डिपोजिशन' (directed energy deposition) है, जो एक उच्च-तकनीकी विनिर्माण पद्धति है जिसका उपयोग जेट इंजन के घटकों से लेकर चिकित्सा प्रत्यारोपण (medical implants) तक सब कुछ बनाने के लिए किया जाता है। यह शक्तिशाली और लचीला है, जो महंगी मशीनरी की मरम्मत करने या जटिल आकृतियों को प्रिंट करने में सक्षम है जिन्हें किसी अन्य तरीके से बनाना असंभव है। हालाँकि, इस प्रक्रिया को नियंत्रित करना बेहद कठिन है। धातु को तीव्र ऊष्मा स्रोतों जैसे लेजर या इलेक्ट्रिक आर्क द्वारा पिघलाया जाता है, जिससे तरल धातु का एक छोटा, दहकता हुआ पूल बनता है, जो एक सेकंड के अंश में ठंडा होकर जम जाता है। क्योंकि यह बहुत तेजी से होता है और इसमें अत्यधिक तापमान शामिल होता है, इसलिए यह प्रक्रिया अस्थिर होती है। इससे आसानी से छिपी हुई दरारें, छेद या कमजोर बिंदु विकसित हो सकते हैं जो अंतिम पुर्जे को खराब कर देते हैं। पारंपरिक रूप से, इन समस्याओं को ठीक करने का अर्थ एक धीमा, महंगा परीक्षण और त्रुटि (trial and error) का चक्र रहा है: मशीन सेट करें, पुर्जा बनाएं, निरीक्षण के लिए उसे काटें, दोष खोजें, सेटिंग्स बदलें और फिर से प्रयास करें।

इस चक्र को तोड़ने के लिए, शोधकर्ता दो शक्तिशाली उपकरणों की ओर मुड़ रहे हैं: मशीन लर्निंग और डिजिटल ट्विन्स। मशीन लर्निंग कंप्यूटर इंटेलिजेंस का एक प्रकार है जो डेटा की विशाल मात्रा से पैटर्न पहचानना सीखता है, ठीक वैसे ही जैसे एक इंसान हजारों उदाहरणों को देखकर दोष को पहचानना सीखता है। एक डिजिटल ट्विन भौतिक मशीन और बनाए जा रहे पुर्जे की एक आभासी प्रति (virtual copy) है। यह केवल एक स्थिर 3D मॉडल नहीं है; यह एक जीवंत सिमुलेशन है जो वास्तविक मशीन की निगरानी करने वाले सेंसरों से रीयल-टाइम डेटा प्राप्त करता है, जिससे यह होने वाली घटनाओं के साथ वास्तविक दुनिया का दर्पण बन जाता है। जब ये दोनों तकनीकें आपस में मिलती हैं, तो वे विनिर्माण को एक प्रतिक्रियात्मक (reactive) प्रक्रिया से—जहाँ दोष होने के बाद पाए जाते हैं—एक सक्रिय (proactive) प्रक्रिया में बदलने का वादा करती हैं, जहाँ समस्याओं की भविष्यवाणी की जाती है और धातु के ठंडा होने से पहले ही उन्हें सुधारा जाता है।

द यूनिवर्सिटी ऑफ टेक्सास रिओ ग्रांडे वैली के शोधकर्ताओं की एक टीम ने हाल ही में इस तकनीक की वर्तमान स्थिति का मानचित्रण करने का लक्ष्य रखा। उन्होंने 2016 और 2026 के बीच प्रकाशित 130 वैज्ञानिक अध्ययनों की एक व्यवस्थित समीक्षा की, और विश्लेषण किया कि मशीन लर्निंग और डिजिटल ट्विन्स का डायरेक्टेड एनर्जी डिपोजिशन में वर्तमान में कैसे उपयोग किया जा रहा है। उनका कार्य, जो एक व्यवस्थित साहित्य समीक्षा के रूप में प्रकाशित हुआ है, एक ऐसे क्षेत्र को दर्शाता है जो तेजी से आगे बढ़ रहा है लेकिन अभी भी एक बड़े संक्रमण के किनारे पर खड़ा है। शोधकर्ताओं ने पाया कि हालांकि वैज्ञानिक कैमरों और सेंसरों का उपयोग करके प्रक्रिया को देखने और यह अनुमान लगाने में बहुत कुशल हो गए हैं कि कब कुछ गलत हो सकता है, लेकिन उन्होंने अभी तक उन समस्याओं को वास्तविक समय में स्वचालित रूप से ठीक करने की क्षमता में पूर्ण महारत हासिल नहीं की है।

समीक्षा इस बात पर प्रकाश डालती है कि अध्ययन किए जा रहे सबसे सामान्य पदार्थ विशिष्ट प्रकार के स्टील और निकल-आधारित सुपरअलॉय हैं, जो एयरोस्पेस और ऊर्जा उद्योगों के लिए आवश्यक हैं। सबसे अधिक उपयोग की जाने वाली विनिर्माण विधियाँ 'वायर आर्क डिपोजिशन' हैं, जो धातु के तार को पिघलाने के लिए इलेक्ट्रिक आर्क का उपयोग करती है, और 'लेजर-आधारित डिपोजिशन' हैं, जो धातु के पाउडर को पिघलाने के लिए उच्च-शक्ति वाले लेजर का उपयोग करती है। इन अध्ययनों में, प्राथमिक ध्यान प्रक्रिया को "देखने" पर रहा है। शोधकर्ताओं ने पिघलते हुए पूल की छवियों को कैप्चर करने के लिए मशीनों को हाई-स्पीड कैमरों और थर्मल सेंसरों से लैस किया है। फिर वे इस दृश्य डेटा को मशीन लर्निंग मॉडल में फीड करते हैं, जिसमें अक्सर जटिल न्यूरल नेटवर्क का उपयोग किया जाता है जो डिजिटल आँखों की तरह कार्य करते हैं। इन मॉडलों ने दोषों की पहचान करने में उल्लेखनीय सफलता दिखाई है। कुछ अध्ययनों ने बताया कि ये सिस्टम 99 प्रतिशत से अधिक सटीकता के साथ दरारों या छेदों का पता लगा सकते हैं, या धातु के मोतियों (bead) के आकार की उच्च सटीकता के साथ भविष्यवाणी कर सकते हैं।

हालाँकि, लेखक इस बात की ओर इशारा करते हैं कि समस्या को देखने और उसे हल करने के बीच एक महत्वपूर्ण अंतर है। अब तक की समीक्षा की गई अधिकांश डिजिटल ट्विन प्रणालियाँ एक "डिजिटल शैडो" (digital shadow) की तरह कार्य करती हैं। इस सेटअप में, डेटा एक तरफ से बहता है: भौतिक मशीन से आभासी मॉडल की ओर। आभासी मॉडल ऑपरेटरों को बता सकता है, "देखो, एक दोष बन रहा है," या "तापमान बहुत अधिक है।" लेकिन यह शायद ही कभी अपने आप कोई कार्रवाई करता है। आभासी भविष्यवाणी और भौतिक मशीन के बीच का संबंध अक्सर टूटा हुआ होता है। कंप्यूटर द्वारा गलती को ठीक करने के लिए लेजर पावर या रोबोटिक आर्म की गति को स्वचालित रूप से समायोजित करने के बजाय, सिस्टम आमतौर पर रुक जाता है और मानव ऑपरेटर के हस्तक्षेप की प्रतीक्षा करता है। शोधकर्ता नोट करते हैं कि हालांकि कुछ उन्नत अध्ययनों ने 'क्लोज्ड-लूप कंट्रोल' (closed-loop control) का प्रदर्शन किया है—जहाँ सिस्टम त्रुटि को ठीक करने के लिए प्रक्रिया को स्वचालित रूप से समायोजित करता है—लेकिन ये अपवाद हैं, नियम नहीं।

समीक्षा उन बाधाओं की भी पहचान करती है जो इन तकनीकों को उद्योग में व्यापक रूप से उपयोग करने से रोकती हैं। एक प्रमुख मुद्दा डेटा की कमी है। मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए अच्छे और बुरे दोनों प्रकार के पुर्जों के हजारों उदाहरणों की आवश्यकता होती है। डायरेक्टेड एनर्जी डिपोजिशन में, इन उदाहरणों को बनाना महंगा और समय लेने वाला है। इसके लिए अक्सर आंतरिक दोषों के निरीक्षण के लिए तैयार पुर्जे को नष्ट करना पड़ता है, जिसका अर्थ है कि शोधकर्ता उन विशाल डेटासेट्स को आसानी से एकत्र नहीं कर सकते जिनकी आवश्यकता कंप्यूटर को सिखाने के लिए होती है। इससे निपटने के लिए, कुछ शोधकर्ता 'ट्रांसफर लर्निंग' जैसी तकनीकों का उपयोग कर रहे हैं, जहाँ एक प्रकार की धातु पर प्रशिक्षित मॉडल को दूसरी धातु पर काम करने के लिए अनुकूलित किया जाता है, या वे वर्चुअल डेटा उत्पन्न करने के लिए भौतिकी-आधारित सिमुलेशन का उपयोग कर रहे हैं। फिर भी, लेखक चेतावनी देते हैं कि ये विधियाँ पूर्ण नहीं हैं। एक मशीन या एक सामग्री पर प्रशिक्षित मॉडल अक्सर दूसरे सेटअप पर काम करने में संघर्ष करता है, जिससे एक विविध फैक्ट्री वातावरण में इसकी उपयोगिता सीमित हो जाती है।

इसके अलावा, शोधकर्ताओं ने पाया कि वर्तमान डिजिटल ट्विन्स अक्सर वास्तविक दुनिया के विनिर्माण की जटिलता को संभालने के लिए बहुत सरल हैं। एक सच्चा डिजिटल ट्विन वह होना चाहिए जो भौतिक मशीन के साथ दोनों दिशाओं में संवाद कर सके, नए डेटा के आधार पर अपनी समझ को लगातार अपडेट कर सके और उस ज्ञान का उपयोग मशीन की गतिविधियों को निर्देशित करने के लिए कर सके। वर्तमान में, कई प्रणालियाँ खंडित (fragmented) हैं। वे तापमान की निगरानी करने या ज्यामिति की भविष्यवाणी करने में उत्कृष्ट हो सकती हैं, लेकिन उनमें इस सभी जानकारी को एक एकल, स्वायत्त निर्णय लेने वाली प्रक्रिया में एकीकृत करने की क्षमता का अभाव है। समीक्षा सुझाव देती है कि इन तकनीकों को उनकी पूर्ण क्षमता तक पहुँचने के लिए, क्षेत्र को अलग-थलग प्रयोगों से आगे बढ़ने की आवश्यकता है। भविष्य के अनुसंधान को ऐसे मानकीकृत सिस्टम बनाने पर ध्यान केंद्रित करना चाहिए जो एक साथ कई सेंसरों से डेटा संभाल सकें, बिना किसी अंतराल (lag) के रीयल-टाइम में काम कर सकें, और सबसे महत्वपूर्ण रूप से, भविष्यवाणी और कार्रवाई के बीच के लूप को बंद कर सकें।

लेखक निष्कर्ष निकालते हैं कि हालांकि नींव रखी जा चुकी है, लेकिन घर अभी बना नहीं है। दोषों की भविष्यवाणी करने की क्षमता स्थापित हो चुकी है, लेकिन उन्हें स्वायत्त रूप से ठीक करने की क्षमता अभी भी अधूरी है। उद्योग के लिए अगला कदम मजबूत, क्लोज्ड-लूप सिस्टम विकसित करना है जहाँ मशीन न केवल खुद को देखती है, बल्कि सक्रिय रूप से अपना रास्ता खुद तय करती है। इसके लिए न केवल बेहतर एल्गोरिदम की आवश्यकता है, बल्कि कंप्यूटर मॉडल में भौतिक नियमों के गहरे एकीकरण और विभिन्न मशीनों एवं सामग्रियों के बीच डेटा साझा करने की प्रतिबद्धता की भी आवश्यकता है। तब तक, डायरेक्टेड एनर्जी डिपोजिशन एक बड़ी संभावना वाली तकनीक बनी रहेगी, जिसे प्रक्रिया को केवल देखने और वास्तव में नियंत्रित करने के बीच के अंतर को पाटने की आवश्यकता के कारण रोका गया है।