Active Learning-Driven Surrogate Modeling for Fatigue LifePrediction of LPBF Hastelloy-X Using Defect-Informed FiniteElement Analysis

तकनीकी सारांश: LPBF हैस्टेलॉय-X के थकान जीवन (Fatigue Life) पूर्वानुमान के लिए सक्रिय शिक्षण-संचालित सरोगेट मॉडलिंग

समस्या विवरण
लेजर पाउडर बेड फ्यूजन (LPBF) द्वारा निर्मित एडिटिवली मैन्युफैक्चर्ड हैस्टेलॉय-X, प्रक्रिया-प्रेरित दोषों (process-induced defects) के प्रति अत्यधिक संवेदनशील थकान व्यवहार प्रदर्शित करता है, जिसमें सतह की खुरदरापन (surface roughness), उप-सतह छिद्रण (subsurface porosity), और निर्माण अभिविन्यास (build orientation) शामिल हैं। मौजूदा जीवन-पूर्वानुमान दृष्टिकोण आमतौर पर इन कारकों को स्वतंत्र रूप से मानते हैं, व्यापक प्रयोगात्मक डेटासेट पर निर्भर करते हैं, और दोषों तथा ऊष्मीय-यांत्रिक लोडिंग स्थितियों के बीच जटिल, गैर-रैखिक अंतःक्रियाओं को समझाने में विफल रहते हैं। इसके अतिरिक्त, शुद्ध डेटा-संचालित मशीन लर्निंग मॉडल अक्सर खराब एक्सट्रपलेशन क्षमताओं और अनिश्चितता परिमाणीकरण (uncertainty quantification) की कमी से ग्रस्त होते हैं, जबकि शास्त्रीय अनुभवजन्य मॉडल (जैसे कोफ़िन-मैन्सन-बास्क्विन) प्रत्येक सामग्री, अभिविन्यास और तापमान के संयोजन के लिए अलग पैरामीटर सेट की आवश्यकता रखते हैं, जो LPBF घटकों के विशाल डिज़ाइन स्पेस के लिए अक्षम है। विभिन्न स्ट्रेन आयामों, तापमानों (750°C तक), और अभिविन्यासों के माध्यम से थकान लक्षण वर्णन करने का प्रयोगात्मक बोझ अत्यधिक उच्च है, जिसके लिए अक्सर सैकड़ों नमूनों की आवश्यकता होती है।

कार्यप्रणाली
लेखक एक हाइब्रिड, दोष-सूचित ढांचे का प्रस्ताव करते हैं जो भौतिकी-आधारित मॉडलिंग, उच्च-निष्ठा वाले परिमित तत्व विश्लेषण (FEA), और डेटा-कुशल गॉसियन प्रोसेस (GP) सक्रिय शिक्षण (active learning) को एकीकृत करता है। यह कार्यप्रणाली तीन प्राथमिक घटकों से बनी है:

1. एकीकृत दोष-संवेदनशील स्ट्रेन-लाइफ (UDSL) मॉडल:
   एक भौतिकी-सूचित विश्लेषणात्मक मॉडल विकसित किया गया था जो एक विस्तृत डिज़ाइन स्पेस में स्ट्रेन-नियंत्रित थकान जीवन ($N_f$) की भविष्यवाणी करता है। मनमाने बहुपद प्रतिगमन (polynomial regressions) के विपरीत, UDSL मॉडल विशिष्ट भौतिक तंत्रों से व्युत्पन्न पदों का उपयोग करता है:

• स्ट्रेन-लाइफ पावर लॉ: सामान्यीकृत बास्क्विन/कोफ़िन-मैन्सन संबंध।
• डिस्ट्रिब्यूटेड नॉच के रूप में खुरदरापन: पेटरसन के नॉच संवेदनशीलता पर आधारित एक लघुगणकीय पद का उपयोग करके मॉडल किया गया, जो अंकगणितीय माध्य खुरदरापन ($R_a$) को प्रभावी प्रतिबल सांद्रता (effective stress concentration) से जोड़ता है।
• अभिविन्यास ज्यामिति: निर्माण कोण ($\theta$) पर निर्भर "स्टेयरकेस प्रभाव" (staircase effect) को ध्यान में रखने वाला एक पद।
• होमोलॉगस तापमान स्केलिंग: थर्मल रूप से सक्रिय विरूपण को पकड़ने के लिए पिघलने के बिंदु ($T_m = 1628$ K) के विरुद्ध तापमान को सामान्य बनाना।
• स्ट्रेन-तापमान अंतःक्रिया: उच्च तापमान पर लोचदार (elastic) से प्लास्टिक प्रभुत्व की ओर बदलाव को पकड़ने वाले क्रॉस-टर्म्स।
  इस मॉडल को केवल 19 डेटा बिंदुओं से एक एकल स्थिति (27°C, क्षैतिज अभिविन्यास) का उपयोग करके कैलिब्रेट किया गया था और 440-बिंदु के व्यापक डेटासेट के विरुद्ध मान्य किया गया था।

2. दोष-सूचित परिमित तत्व विश्लेषण (FEA):
   प्रतिबल सांद्रता कारकों ($K_t$) और दोष अंतःक्रियाओं को मापने के लिए एबकस (Abaqus) में उच्च-निष्ठा वाले 3D सिमुलेशन किए गए थे:

• सतह का खुरदरापन: $K_t$ की गणना करने के लिए फूरियर संश्लेषण (Fourier synthesis) के माध्यम से यथार्थवादी LPBF सतहें उत्पन्न की गईं, जिससे खुरदरापन गुणांकों को मान्य किया गया।
• छिद्रता और रिक्तिका विकास (Porosity and Void Growth): गुरसन-ट्वर्गेड-नीडलमैन (GTN) पोरस प्लास्टिसिटी मॉडल ने प्लास्टिक स्ट्रेन के तहत महत्वपूर्ण रिक्तिका विकास (7.3 गुना प्रवर्धन) प्रदर्शित किया, जो छिद्रता-स्ट्रेन अंतःक्रिया पदों के समावेश को न्यायसंगत बनाता है।
• संयुक्त दोष अंतःक्रिया: खुरदरी सतह के घाटों (valleys) के नीचे स्थित उप-सतह छिद्रों के सिमुलेशन ने एक उप-योगात्मक (sub-additive) युग्मन प्रभाव प्रकट किया। संयुक्त प्रतिबल सांद्रता व्यक्तिगत प्रभावों के योग से कम थी, जिससे एक कैलिब्रेटेड इंटरेक्शन गुणांक ($\rho = 0.329$) के साथ एक सामान्यीकृत अंतःक्रिया सूत्र प्राप्त हुआ।

3. गॉसियन प्रोसेस (GP) सरोगेट और सक्रिय शिक्षण (Active Learning):
   डेटा की कमी को दूर करने और अनिश्चितता परिमाणीकरण प्रदान करने के लिए, एक GP सरोगेट को UDSL मॉडल और FEA परिणामों से प्राप्त भौतिकी-सूचित विशेषताओं (जैसे होमोलॉगस तापमान, प्रभावी स्ट्रेन, प्रतिबल सांद्रता कारक) पर प्रशिक्षित किया गया था। एक सक्रिय शिक्षण (AL) रणनीति का उपयोग किया गया, जो अधिकतम भविष्य कहनेवाला विचरण (predictive variance) के आधार पर सबसे सूचनात्मक प्रयोगात्मक बिंदुओं को पुनरावृत्ति (iteratively) के माध्यम से चुना गया। इस दृष्टिकोण का उद्देश्य आवश्यक थकान परीक्षणों की संख्या को कम करना और मॉडल की सटीकता को अधिकतम करना था।

प्रमुख परिणाम

• प्रयोगात्मक निष्कर्ष: थकान जीवन तापमान के साथ निरंतर घटता गया, जो 27°C और 750°C के बीच लगभग दो क्रम (orders of magnitude) तक गिर गया। एक सुसंगत अभिविन्यास-निर्भर रैंकिंग देखी गई: क्षैतिज (Horizontal) > 45° > ऊर्ध्वाधर (Vertical)। सतह का खुरदरापन इस अनिसोट्रॉपी (anisotropy) को नियंत्रित करने वाला प्रमुख कारक पाया गया, जबकि बल्क छिद्रता ने परीक्षण की गई सतह स्थितियों के तहत थकान जीवन के साथ कोई व्यवस्थित सहसंबंध नहीं दिखाया।
• UDSL मॉडल प्रदर्शन: 8-पैरामीटर वाले UDSL मॉडल ने पूर्ण 440-बिंदु डेटासेट पर $R^2$ का 0.984 और $\log_{10} N_f$ में रूट मीन स्क्वायर एरर (RMSE) का 0.131 प्राप्त किया। इसने 97.7% डेटा की भविष्यवाणी प्रयोगात्मक जीवन के दोगुने कारक के भीतर की। महत्वपूर्ण रूप से, यह सटीकता केवल 19 कैलिब्रेशन बिंदुओं का उपयोग करके प्राप्त की गई, जो पारंपरिक कैलिब्रेशन विधियों की तुलना में प्रयोगात्मक डेटा आवश्यकताओं में >95% की कमी को दर्शाता है।
• FEA अंतर्दृष्टि: FEA ने पुष्टि की कि सतह के खुरदरेपन और उप-सतह छिद्रता के बीच की अंतःक्रिया उप-योगात्मक (sub-additive) है। संयुक्त प्रतिबल सांद्रता ($K_t \approx 2.85$) मल्टीप्लिकेटिव भविष्यवाणी से काफी कम थी, जो एक कम रूढ़िवादी (less conservative) और अधिक सटीक डिजाइन आधार प्रदान करती है।
• सक्रिय शिक्षण दक्षता: भौतिकी-सूचित विशेषताओं पर प्रशिक्षित GP सरोगेट, UDSL मॉडल के समान भविष्य कहनेवाला सटीकता ($R^2 = 0.984$) तक पहुँच गया, जिसमें केवल 20 सक्रिय रूप से चयनित प्रशिक्षण बिंदुओं का उपयोग किया गया। यह रैंडम सैंपलिंग की तुलना में 2.5x बेहतर डेटा दक्षता का प्रतिनिधित्व करता है, जिसे समान सटीकता प्राप्त करने के लिए लगभग 50 बिंदुओं की आवश्यकता थी।
• अनिश्चितता परिमाणीकरण: GP फ्रेमवर्क ने अच्छी तरह से कैलिब्रेटेड अनिश्चितता अनुमान प्रदान किए, जिसमें नाममात्र 95% कॉन्फिडेंस इंटरवल ने 94.2% सत्यापन डेटा को कैप्चर किया। यह जोखिम-सूचित निर्णय लेने और लक्षित प्रयोगात्मक योजना की अनुमति देता है।

महत्व और दावे
यह शोध पत्र वर्तमान अत्याधुनिक अवस्था (state of the art) के तीन महत्वपूर्ण अंतराल को संबोधित करने का दावा करता है:

1. युग्मित दोष मॉडलिंग: यह पहला मॉडल है जो LPBF हैस्टेलॉय-X के थकान जीवन पर सतह के खुरदरेपन, उप-सतह छिद्रता, निर्माण अभिविन्यास और तापमान के युग्मित प्रभावों को एक साथ और मात्रात्मक रूप से स्पष्ट करता है।
2. दोष अंतःक्रिया लक्षण वर्णन: यह खुरदरेपन और छिद्रता के बीच स्ट्रेस फील्ड इंटरेक्शन का पहला उच्च-निष्ठा वाला FEA लक्षण वर्णन प्रदान करता है, जो योगात्मक या स्वतंत्र प्रभावों के बजाय एक उप-योगात्मक अंतःक्रिया नियम स्थापित करता है।
3. एकीकृत ढांचा: यह एक व्यावहारिक ढांचे को प्रदर्शित करता है जो भौतिकी-आधारित मॉडलिंग, दोष-सूचित सिमुलेशन और डेटा-कुशल सक्रिय शिक्षण को एकीकृत करता है।

लेखक का दावा है कि यह दृष्टिकोण उच्च भविष्य कहनेवाला निष्ठा बनाए रखते हुए और कैलिब्रेटेड अनिश्चितता प्रदान करते हुए प्रयोगात्मक बोझ को 95% से अधिक कम कर देता है। भौतिक व्याख्यात्मकता (UDSL के माध्यम से), दोष संवेदनशीलता (FEA के माध्यम से), और अनिश्चितता परिमाणीकरण (GP के माध्यम से) का एकीकरण सुरक्षा-महत्वपूर्ण, उच्च-तापमान अनुप्रयोगों के लिए LPBF घटकों के प्रमाणीकरण हेतु एक स्केलेबल मार्ग प्रदान करता है। अध्ययन निष्कर्ष निकालता है कि जहाँ UDSL मॉडल एक्सट्रपलेशन और व्याख्यात्मकता में उत्कृष्ट है, वहीं GP+AL फ्रेमवर्क संभाव्य मूल्यांकन और अनुकूलन योग्य परीक्षण योजना के लिए बेहतर अनुकूलन क्षमता प्रदान करता है, और दोनों दृष्टिकोण प्रतिस्पर्धी होने के बजाय पूरक हैं।