नानजिंग के सूचनात्मक एआई ने धातु एडिटिव मैन्युफैक्चरिंग में वास्तविक समय तापमान पूर्वानुमान में सफलता हासिल की

नानजिंग प्रौद्योगिकी विश्वविद्यालय (Nanjing University of Technology) के शोधकर्ताओं ने एक अभूतपूर्व कृत्रिम बुद्धिमत्ता (AI) मॉडल विकसित किया है, जो एडिटिव मैन्युफैक्चरिंग (Additive Manufacturing) के क्षेत्र में एक महत्वपूर्ण प्रगति का प्रतीक है। भौतिक सिद्धांतों पर आधारित यह अत्याधुनिक प्रणाली, वायर आर्क एडिटिव मैन्युफैक्चरिंग (WAAM) प्रक्रिया के दौरान तापमान व्यवस्थाओं का तेजी से और परिचालन रूप से पूर्वानुमान लगाने के लिए विशेष रूप से डिज़ाइन की गई है।

इस महत्वपूर्ण कार्य के परिणामों का प्रकाशन प्रतिष्ठित पत्रिका 'कम्युनिकेशंस इंजीनियरिंग' (Communications Engineering) में हुआ है, जो मुद्रित धातु भागों की गुणवत्ता और स्थिरता को बढ़ाने की दिशा में एक बड़ा कदम है। इस विकास का मूल एक भौतिक रूप से सूचित पुनरावर्ती तंत्रिका नेटवर्क (physically-informed recurrent neural network) के निर्माण में निहित है, जिसका प्रकार ज्यामितीय है। यह हाइब्रिड दृष्टिकोण भौतिकी के मूलभूत नियमों को गहन शिक्षण (deep learning) की शक्ति के साथ सफलतापूर्वक एकीकृत करता है, जिससे सामग्री के थर्मल व्यवहार का गतिशील मॉडलिंग संभव हो पाता है।

इस नवाचार की सबसे महत्वपूर्ण उपलब्धि इसकी असाधारण गति है। जहां पारंपरिक तरीके, जैसे कि परिमित तत्व मॉडलिंग (Finite Element Modeling - FEM), सटीक परिणाम देने में एक घंटे तक का समय ले सकते हैं, वहीं नया मॉडल आश्चर्यजनक प्रदर्शन दिखाता है, जो केवल 12 मिलीसेकंड में पूर्वानुमान प्रदान करता है। औद्योगिक प्रक्रियाओं में बंद-लूप फीडबैक (closed-loop feedback) चक्रों को प्रभावी ढंग से लागू करने के लिए यह तीव्र प्रतिक्रिया दर अत्यंत महत्वपूर्ण है।

स्कूल ऑफ मैकेनिक्स एंड एनर्जी (School of Mechanics and Energy) के मिनक्सुआन तियान (Minxuan Tian) के नेतृत्व में इस टीम ने दोहरी चुनौती का समाधान किया। उन्होंने शास्त्रीय सिमुलेशन की गणनात्मक धीमी गति को दूर किया और साथ ही विशुद्ध रूप से डेटा-उन्मुख मॉडलों की विशेषता वाली त्रुटियों के संचय को भी कम किया। WAAM रोबोटिक सेटअप का उपयोग करके पतली दीवार वाली स्टील संरचनाओं को परत दर परत मुद्रित करने के प्रयोगों के दौरान, मॉडल ने सिमुलेशन में लगभग 4.5% और वास्तविक परीक्षणों में 13.9% की अधिकतम पूर्वानुमान त्रुटि दिखाई।

यह प्रणाली 10 सेकंड तक की अवधि के लिए तापमान के विकास का लगातार अनुमान लगाने में सक्षम है। यह समय सीमा थर्मल प्रवाह को नियंत्रित करने और अवशिष्ट तनावों (residual stresses) को कम करने के लिए एक महत्वपूर्ण अवसर प्रदान करती है। धातु 3डी प्रिंटिंग में तापमान नियंत्रण एक आधारशिला है, क्योंकि असमान हीटिंग या कूलिंग अनिवार्य रूप से दरारों और विकृतियों (deformations) जैसे दोषों को जन्म देती है, जिससे अंतिम उत्पाद की अखंडता गंभीर रूप से खतरे में पड़ जाती है।

तंत्रिका नेटवर्क की वास्तुकला में सीधे भौतिक बाधाओं को शामिल करने से यह सुनिश्चित होता है कि पूर्वानुमान भौतिक रूप से उचित बने रहें। यह प्रणाली को विभिन्न ज्यामितीय आकृतियों और प्रक्रिया मोड के लिए डेटा को प्रभावी ढंग से सामान्य बनाने की अनुमति देता है। शोधकर्ताओं ने यह भी बताया कि ट्रांसफर लर्निंग (transfer learning) के माध्यम से प्रशिक्षण समय को कम करने से इस तकनीक की व्यावहारिक प्रयोज्यता और विविध उत्पादन स्थितियों के अनुकूलन की क्षमता में काफी वृद्धि होती है। यह पद्धतिगत छलांग एडिटिव मैन्युफैक्चरिंग में फीड-फॉरवर्ड नियंत्रण (feed-forward control) प्रणालियों के कार्यान्वयन के लिए मार्ग प्रशस्त करती है, जिससे मशीनों को समस्याएँ उत्पन्न होने से पहले ही ताप इनपुट या तार फीड दर जैसे मापदंडों को समायोजित करने की अनुमति मिल जाती है।