Analysis of Dominant Factors in Active Infrared Thermography Defect Detection Based on Physics-Constrained Surrogate Models

तकनीकी सारांश: भौतिकी-प्रतिबंधित सरोगेट मॉडल पर आधारित सक्रिय इन्फ्रारेड थर्मोग्राफी दोष पहचान में प्रमुख कारकों का विश्लेषण

समस्या विवरण
सक्रिय इन्फ्रारेड थर्मोग्राफी (IRT) डेलैमिनेशन (परतों का अलग होना) और रिक्तियों (voids) जैसे सामग्री दोषों का पता लगाने के लिए एक व्यापक रूप से उपयोग की जाने वाली गैर-विनाशकारी परीक्षण (NDT) विधि है। हालाँकि, इसकी व्यावहारिक अनुप्रयोग प्रक्रिया परीक्षण मापदंडों (parameters) को अनुकूलित करने की जटिलता के कारण बाधित होती है। थर्मल रिस्पॉन्स सिग्नल एक मजबूती से जुड़े सिस्टम द्वारा नियंत्रित होता है जिसमें कई चर शामिल हैं: आधार सामग्री और दोषों के ऊष्मीय गुण (thermophysical properties), ज्यामितीय पैरामीटर (गहराई और मोटाई), उत्तेजना तरंग (excitation waveform) की विशेषताएं, और पर्यावरणीय ऊष्मा विनिमय स्थितियां। वर्तमान अनुसंधान में पैरामीटर सेटिंग्स के लिए मानकीकृत दिशानिर्देशों का अभाव है, और चरों के बीच मजबूत युग्मन (coupling) स्पष्ट अनुकूलन प्राथमिकताओं को स्थापित करना कठिन बना देता है, जिससे अक्सर अनुभवजन्य ऑपरेटर निर्णय पर निर्भरता बढ़ जाती है।

कार्यप्रणाली
इन चुनौतियों से निपटने के लिए, लेखकों ने आयामी विश्लेषण (dimensional analysis), संख्यात्मक सिमुलेशन और मशीन लर्निंग को संयोजित करते हुए एक व्यवस्थित ढांचा विकसित किया है:

1. भौतिकी-आधारित आयामी न्यूनीकरण (Dimensionality Reduction): अध्ययन ने तीन-आयामी क्षणिक ऊष्मा चालन (transient heat conduction) समस्या को मोटाई की दिशा में एक एक-आयामी मॉडल में सरल बनाया, यह मानते हुए कि प्लेट पतली है जहाँ पार्श्व आयाम मोटाई से अधिक हैं। बकिंगहैम $\pi$ प्रमेय (Buckingham $\pi$ theorem) का उपयोग करके, मूल पैरामीटर स्पेस (जिसमें दस से अधिक चर शामिल थे) को नौ-आयामी विमाहीन स्थान (dimensionless space) में कम कर दिया गया। प्रमुख विमाहीन समूह (dimensionless groups) में फूरियर संख्या ($Fo$), बायोट संख्या ($Bi$), तापीय चालकता और विसरणशीलता के अनुपात ($k_1/k_0$, $\alpha_1/\alpha_0$), और उत्तेजना पैरामीटर शामिल हैं।
2. संख्यात्मक सिमुलेशन और सत्यापन: स्पष्ट टाइम-मार्चिंग स्कीम (explicit time-marching scheme) के साथ एक परिमित आयतन विधि (Finite Volume Method - FVM) का उपयोग समीकरणों को हल करने के लिए किया गया। प्रभावी तापीय चालकता के लिए हार्मोनिक मीन (Harmic Mean) पद्धति का उपयोग करके इंटरफेस निरंतरता को संभाला गया। मॉडल को GFRP नमूनों (जिनमें एम्बेडेड दोष जैसे कि एडहेसिव टेप, पीवीसी फोम, पेपर शामिल थे) के प्रयोगात्मक डेटा के विरुद्ध सत्यापित किया गया, जिसने 0.91 का सहसंबंध गुणांक (correlation coefficient) और 0.5% से कम सापेक्ष त्रुटि दिखाई।
3. संवेदनशीलता और पैरामीटर विश्लेषण: प्रतिक्रिया वक्र (response curves) उत्पन्न करने के लिए स्वचालित पैरामीट्रिक स्वीप और लैटिन हाइपरक्यूब सैंपलिंग (LHS) का उपयोग किया गया। अध्ययन ने विभिन्न विमाहीन मापदंडों के प्रति शिखर सतह तापमान अंतर ($\Delta\theta_{max}$) की सामान्यीकृत संवेदनशीलता को मापने के लिए सोबोल-आधारित (Sobol-based) संवेदनशीलता विश्लेषण का उपयोग किया।
4. सरोगेट मॉडल विकास: आंशिक अंतर समीकरणों (PDEs) को बार-बार हल करने की कम्प्यूटेशनल बाधा को दूर करने के लिए, एक भौतिकी-प्रतिबंधित न्यूरल नेटवर्क (PCNN) सरोगेट मॉडल का निर्माण किया गया। इस फीडफॉरवर्ड न्यूरल नेटवर्क (10-5-5 आर्किटेक्चर) को 100 नमूनों (80/20 स्प्लिट) पर प्रशिक्षित किया गया था, जिसमें ओवरफिटिंग को रोकने और छोटे डेटासेट पर सामान्यीकरण बढ़ाने के लिए लॉस फंक्शन में भौतिक बाधाएं शामिल की गई थीं।

प्रमुख परिणाम

• प्रमुख तंत्र (Dominant Mechanisms): संवेदनशीलता विश्लेषण से पता चला कि दोष की पहचान मुख्य रूप से दो कारकों द्वारा संचालित होती है, जो मिलकर 80% से अधिक प्रभाव डालते हैं:
  1. इंटरफेशियल थर्मल इम्पीडेंस मिसमैच: दोष और मैट्रिक्स के बीच तापीय गुणों का अनुपात ($k_1/k_0$ और $\alpha_1/\alpha_0$) सबसे महत्वपूर्ण कारक है, जो थर्मल तरंगों के परावर्तन और संचरण को निर्धारित करता है।
  2. उत्तेजना ऊर्जा इनपुट (Excitation Energy Input): उत्तेजना स्रोत द्वारा दी गई कुल ऊर्जा (मुख्य रूप से डीसी घटक $q_0$ और अवधि $t_p$ द्वारा निर्धारित) दूसरा सबसे महत्वपूर्ण कारक है।
• नगण्य कारक: सामान्य परिचालन स्थितियों के तहत, संवेहन ऊष्मा स्थानांतरण स्थितियां (बायोट संख्या) और दोष की मोटाई ($\delta/L$) का शिखर तापीय प्रतिक्रिया पर सीमित प्रभाव पाया गया।
• लो-पास फ़िल्टरिंग व्यवहार: अध्ययन ने पुष्टि की कि क्षणिक ऊष्मा चालन एक लो-पास फ़िल्टर के रूप में कार्य करता है; उत्तेजना तरंग के उच्च-आवृत्ति घटक तेजी से क्षीण (attenuate) हो जाते हैं, जिसका अर्थ है कि उच्च-आवृत्ति मॉड्यूलेशन की तुलना में कुल ऊर्जा इंटीग्रल (निम्न-आवृत्ति सामग्री) दोष पहचान के लिए अधिक प्रभावी है।
• सरोगेट मॉडल प्रदर्शन: भौतिकी-प्रतिबंधित न्यूरल नेटवर्क ने टेस्ट सेट पर 0.929 का निर्धारण गुणांक ($R^2$) और 6.71% की औसत सापेक्ष त्रुटि प्राप्त की।
• कम्प्यूटेशनल दक्षता: सरोगेट मॉडल ने एकल मूल्यांकन के लिए भविष्यवाणी समय को सैकड़ों सेकंड (पारंपरिक PDE सिमुलेशन) से मिलीसेकंड के पैमाने तक कम कर दिया, जो $10^5$ का कम्प्यूटेशनल त्वरण कारक दर्शाता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह सक्रिय इन्फ्रारेड थर्मोग्राफी के भौतिकी-संचालित अनुकूलन के लिए एक सैद्धांतिक आधार और एक कुशल कम्प्यूटेशनल उपकरण दोनों प्रदान करता है। समस्या को एक विमाहीन ढांचे (dimensionless framework) में बदलकर, अध्ययन विभिन्न एनडीटी (NDT) परिदृश्यों (विभिन्न सामग्रियां, आकार और शक्ति स्तर) को एक एकल विश्लेषणात्मक संरचना में एकीकृत करता है। प्रस्तावित सरोगेट मॉडल एक तीव्र 'फॉरवर्ड सॉल्वर' के रूप में कार्य करता है, जो बार-बार होने वाले महंगे संख्यात्मक सिमुलेशन की आवश्यकता के बिना, पहचान क्षमताओं और संवेदनशील अंतरालों के कुशल विश्लेषण को सक्षम बनाता है।

लेखक इस बात पर जोर देते हैं कि हालांकि यह मॉडल सीधे दोष मापदंडों को उल्टा (invert) नहीं करता है, यह उत्तेजना मापदंडों और निरीक्षण रणनीतियों के अनुकूलन को सुगम बनाता है। विशेष रूप से, अध्ययन व्यावहारिक इंजीनियरिंग दिशानिर्देश प्रदान करता है: उच्च-चालकता वाली सामग्रियों के लिए उच्च शक्ति घनत्व की आवश्यकता होती है, जबकि कम-चालकता वाली सामग्रियों (जैसे GFRP) को नुकसान से बचने के लिए लंबे उत्तेजना अवधि का लाभ मिलता है। इसके विपरीत, बड़ी संरचनाओं की त्वरित स्क्रीनिंग के लिए उच्च-शक्ति, लघु-अवधि वाली उत्तेजना का उपयोग किया जा सकता है। यह कार्य IRT पैरामीटर सेटिंग्स के मानकीकरण का समर्थन करने का लक्ष्य रखता है, जिससे यह क्षेत्र अनुभवजन्य निर्णय से हटकर डेटा-संचालित अनुकूलन की ओर बढ़ सके।