নানজিংয়ের তথ্য-ভিত্তিক এআই: রিয়েল-টাইমে মেটাল অ্যাডিটিভ ম্যানুফ্যাকচারিংয়ের তাপমাত্রা পূর্বাভাসের ক্ষেত্রে যুগান্তকারী অগ্রগতি
সম্পাদনা করেছেন: Vera Mo
নানজিং ইউনিভার্সিটি অফ টেকনোলজির গবেষকরা অ্যাডিটিভ ম্যানুফ্যাকচারিং ক্ষেত্রে একটি গুরুত্বপূর্ণ অগ্রগতি এনেছে। তারা একটি যুগান্তকারী কৃত্রিম বুদ্ধিমত্তা (AI) মডেল তৈরি করেছেন। এই ভৌত-নীতি-ভিত্তিক সিস্টেমটি ওয়্যার আর্ক অ্যাডিটিভ ম্যানুফ্যাকচারিং (WAAM) প্রক্রিয়ার সময় তাপমাত্রার গতিবিধি দ্রুত পূর্বাভাস দেওয়ার জন্য বিশেষভাবে ডিজাইন করা হয়েছে।
এই গবেষণার ফলাফলগুলি প্রখ্যাত জার্নাল Communications Engineering-এ প্রকাশিত হয়েছে, যা ছাপানো ধাতব অংশগুলির গুণমান এবং স্থায়িত্ব বাড়ানোর পথে একটি মাইলফলক হিসেবে বিবেচিত। এই উদ্ভাবনের মূল ভিত্তি হলো একটি ভৌত-তথ্য-ভিত্তিক পুনরাবৃত্ত জ্যামিতিক নিউরাল নেটওয়ার্ক তৈরি করা। এই সংকর পদ্ধতিটি গভীর শিক্ষার শক্তির সাথে পদার্থবিজ্ঞানের মৌলিক সূত্রগুলিকে সফলভাবে একত্রিত করে, যা উপাদানটির তাপীয় আচরণকে গতিশীলভাবে মডেল করতে সক্ষম।
এই মডেলের দ্রুত কার্যকারিতা একটি অত্যন্ত গুরুত্বপূর্ণ অর্জন। ঐতিহ্যবাহী পদ্ধতি, যেমন ফাইনাইট এলিমেন্ট মডেলিং (FEM), যেখানে সঠিক ফলাফল পেতে এক ঘন্টা পর্যন্ত সময় লাগতে পারে, সেখানে নতুন মডেলটি মাত্র 12 মিলিসেকেন্ডের মধ্যে পূর্বাভাস প্রদান করে অবিশ্বাস্য দ্রুততা প্রদর্শন করেছে। শিল্প প্রক্রিয়াগুলিতে ক্লোজড-লুপ ফিডব্যাক ব্যবস্থা কার্যকরভাবে বাস্তবায়নের জন্য এই দ্রুত প্রতিক্রিয়াশীলতা অপরিহার্য।
স্কুল অফ মেকানিক্স অ্যান্ড এনার্জির মিন্সুয়ান তিয়ানের নেতৃত্বে থাকা দলটি দুটি প্রধান সমস্যার সমাধান করেছে: ক্লাসিক্যাল সিমুলেশনগুলির ধীর গতির গণনাগত জটিলতা এবং শুধুমাত্র ডেটা-ভিত্তিক মডেলগুলির বৈশিষ্ট্যগত ত্রুটি সঞ্চয় হ্রাস করা। রোবোটিক WAAM সেটআপ ব্যবহার করে পাতলা-প্রাচীরের ইস্পাত কাঠামো স্তর-দ্বারা-স্তর ছাপানোর পরীক্ষাগুলিতে, মডেলটি সিমুলেশনে প্রায় 4.5% এবং বাস্তব পরীক্ষায় 13.9% সর্বোচ্চ পূর্বাভাস ত্রুটি দেখিয়েছে।
এই সিস্টেমটি 10 সেকেন্ড পর্যন্ত সময়ের জন্য তাপমাত্রার বিবর্তন সম্পর্কে স্থিতিশীল পূর্বাভাস দিতে সক্ষম, যা তাপ প্রবাহ নিয়ন্ত্রণ এবং অবশিষ্ট চাপ (residual stresses) কমানোর জন্য একটি গুরুত্বপূর্ণ সময়সীমা। ধাতব থ্রিডি প্রিন্টিংয়ে তাপমাত্রা নিয়ন্ত্রণ একটি মূল ভিত্তি, কারণ অসম গরম বা ঠান্ডা হওয়ার ফলে অনিবার্যভাবে ফাটল এবং বিকৃতির মতো ত্রুটি দেখা দেয়, যা চূড়ান্ত পণ্যের অখণ্ডতাকে নষ্ট করে দেয়।
নিউরাল নেটওয়ার্কের কাঠামোর মধ্যে সরাসরি ভৌত সীমাবদ্ধতাগুলিকে অন্তর্ভুক্ত করার ফলে পূর্বাভাসগুলি সর্বদা ভৌতভাবে যুক্তিসঙ্গত থাকে। এটি সিস্টেমটিকে বিভিন্ন জ্যামিতিক আকার এবং প্রক্রিয়া মোডের জন্য ডেটা কার্যকরভাবে সাধারণীকরণ করতে সাহায্য করে। উপরন্তু, গবেষকরা উল্লেখ করেছেন যে ট্রান্সফার লার্নিংয়ের মাধ্যমে প্রশিক্ষণের সময় হ্রাস করা এই প্রযুক্তির ব্যবহারিক প্রয়োগ এবং বিভিন্ন উৎপাদন অবস্থার সাথে এর অভিযোজন ক্ষমতাকে উল্লেখযোগ্যভাবে বাড়িয়ে তোলে। এই পদ্ধতিগত উল্লম্ফন অ্যাডিটিভ ম্যানুফ্যাকচারিংয়ে ফিড-ফরওয়ার্ড নিয়ন্ত্রণ (সরাসরি নিয়ন্ত্রণ) ব্যবস্থা বাস্তবায়নের পথ খুলে দেয়, যা সমস্যা দেখা দেওয়ার আগেই মেশিনগুলিকে তাপ ইনপুট বা তারের ফিড গতির মতো পরামিতিগুলি সংশোধন করতে সক্ষম করে তোলে।
উৎসসমূহ
3D Printing Industry
Physics-informed machine learning-based real-time long-horizon temperature fields prediction in metallic additive manufacturing
AI accelerates process design for 3D printing metal alloys
Using machine learning to perfect nanoscale 3D printing
এই বিষয়ে আরও খবর পড়ুন:
আপনি কি কোনো ত্রুটি বা অসঠিকতা খুঁজে পেয়েছেন?
আমরা আপনার মন্তব্য যত তাড়াতাড়ি সম্ভব বিবেচনা করব।