01 ভূমিকা
লেজারের গভীর অনুপ্রবেশ ঢালাইয়ের মাল্টিফিজিক্স কাপলিং বিশ্লেষণে, ধাতব বাষ্প রিকোয়েল চাপ দ্বারা চালিত কীহোল প্রাচীরের উচ্চ-ফ্রিকোয়েন্সি ওঠানামা এবং ফটো প্ররোচিত প্লাজমার ইন্টারঅ্যাকশন মেকানিজম-নির্ভুলভাবে বর্ণনা করা হয়েছে, যা কঠোরভাবে নির্ভর করে সমতাভিত্তিক দ্রবণ, সামঞ্জস্যপূর্ণ শক্তি এবং ভরের উপর। প্রথাগত কম্পিউটেশনাল ফ্লুইড ডাইনামিকস (CFD), উচ্চ-উচ্চ-ঘনত্বের বিযুক্ত গ্রিড এবং অভিযোজিত সময়-স্টেপিং অ্যালগরিদম তৈরি করে উচ্চ-বিশ্বস্ততা ক্ষণস্থায়ী তরল আচরণ ক্যাপচার করতে সক্ষম, মূলত একটি নৃশংস-জোর সমাধানের কৌশল{7} সমীকরণের উপর ভিত্তি করে। কম্পিউটেশনাল ডোমেন গ্রিডের রেনল্ডস সংখ্যা বাড়ার সাথে সাথে কম্পিউটেশনাল খরচ দ্রুতগতিতে বৃদ্ধি পায়, একটি একক উচ্চ-ফিডেলিটি থ্রি-মাত্রিক ক্ষণস্থায়ী সিমুলেশন প্রায়শই কয়েক দিন সময় নেয়। এই গণনামূলক বাধা বৃহৎ আকারের প্রক্রিয়া উইন্ডোগুলির পুনরাবৃত্তিমূলক অপ্টিমাইজেশানকে মারাত্মকভাবে সীমাবদ্ধ করে৷ এদিকে, যদিও মেশিন লার্নিং একটি উচ্চমাত্রিক প্রক্রিয়া প্যারামিটার স্পেস থেকে একটি শারীরিক প্রতিক্রিয়ার জায়গায় একটি ননলাইনার ম্যাপিং তৈরি করতে পারে, জটিল আংশিক ডিফারেনশিয়াল ইকুয়েশন ডিক্রেটাইজেশন প্রক্রিয়াকে বাইপাস করে এবং উল্লেখযোগ্যভাবে দক্ষতার উন্নতি করে, এর "ব্ল্যাক বক্স" প্রকৃতি শারীরিক ব্যাখ্যার অভাব এবং অপর্যাপ্ত সাধারণীকরণ ক্ষমতার অভাব ঘটায়। সম্পূর্ণরূপে ডেটা{16}}চালিত মডেলগুলি, যখন ভৌত সংরক্ষণ আইনের সীমাবদ্ধতা থেকে আলাদা করা হয়, ডেটার-দুষ্প্রাপ্য অবস্থার মধ্যে ভবিষ্যদ্বাণী ফলাফলের স্ব{17}}সঙ্গতি নিশ্চিত করতে লড়াই করে৷
তাই, লেজার ওয়েল্ডিং সংখ্যাসূচক সিমুলেশনের বর্তমান আধুনিক-মুখী দিকটি আর একটি একক গণনামূলক পদ্ধতি নির্বাচনের মধ্যে সীমাবদ্ধ নয়, বরং মেশিন লার্নিং এবং CFD-এর গভীর একীকরণের দিকে স্থানান্তরিত হয়েছে। মেমরি ইন্টারঅ্যাকশন (PyFluent) বা পদার্থবিদ্যা-ইনফর্মড নিউরাল নেটওয়ার্ক (PINN) এর উপর ভিত্তি করে যুগল আর্কিটেকচার স্থাপন করে, উদ্দেশ্য হল মেশিন লার্নিং এর দক্ষ স্ক্যানিং ক্ষমতার সাথে বিস্তৃত প্যারামিটার জুড়ে শারীরিক প্রক্রিয়াগুলিকে গভীরভাবে অন্বেষণ করার CFD-এর ক্ষমতাকে একত্রিত করা। এই পদ্ধতিটি মেশিন লার্নিংয়ের অনলাইন ইনফারেন্স সুবিধাগুলিকে কাজে লাগানোর সময় CFD দ্বারা প্রদত্ত উচ্চ-গুণমানের, শারীরিকভাবে সামঞ্জস্যপূর্ণ ডেটা ব্যবহার করে, যা ঐতিহ্যগত সংখ্যাসূচক সিমুলেশনে নির্ভুলতা এবং দক্ষতার মধ্যে অন্তর্নিহিত দ্বন্দ্বের একটি পদ্ধতিগত প্রকৌশল সমাধান প্রদান করে।
02 ওয়েল্ডিং ভবিষ্যদ্বাণীতে মেশিন লার্নিংয়ের বিকাশ ঢালাই সংখ্যাসূচক সিমুলেশনের ক্ষেত্রে মেশিন লার্নিংয়ের বিকাশ একাডেমিক সম্প্রদায়ের মধ্যে ডেটা-ভৌতবিদ্যার সম্পর্কের গভীর বোঝার প্রতিফলন ঘটায়। এর প্রযুক্তিগত বিবর্তন প্রাথমিকভাবে তিনটি স্তর অনুসরণ করে, ধীরে ধীরে সাধারণ ডেটা ফিটিং থেকে ডেটা এবং শারীরিক প্রক্রিয়াগুলির গভীর একীকরণে একটি লাফ অর্জন করে. 2.1 স্ট্যাটিক ইন্টারপোলেশন এবং লিনিয়ার রিগ্রেশন ঢালাইয়ের জন্য মেশিন লার্নিং প্রয়োগের জন্য প্রাথমিক মাত্রা হ্রাস কৌশল হিসাবে সাংখ্যিক মডেল সিমুলেশনের উচ্চ সীমাবদ্ধতা{4} ব্যবহার করে সীমিত উপাদান (এফইএম) গণনার ফলাফল একটি প্রশিক্ষণ সেট হিসাবে। তারা কৃত্রিম নিউরাল নেটওয়ার্ক (ANN) এবং গাউসিয়ান প্রসেস রিগ্রেশন (GPR) এর মতো অ্যালগরিদমগুলি ব্যবহার করে ইনপুট প্রক্রিয়া প্যারামিটার এবং আউটপুট গুণমান সূচকগুলির মধ্যে একটি কার্যকরী সম্পর্ক তৈরি করতে (যেমন ঢালাই গভীরতা এবং ছিদ্র)। এই পদ্ধতিটি মূলত একটি উচ্চ-মাত্রিক স্থানের পরিসংখ্যানগত ইন্টারপোলেশন। যদিও এটি অত্যন্ত উচ্চ ভবিষ্যদ্বাণী দক্ষতা অর্জন করতে পারে, তবে এর মডেল কোরে থার্মোফ্লুইড নিয়ন্ত্রণ সমীকরণের সমর্থন নেই এবং এটি একটি কালো-বক্স বৈশিষ্ট্য প্রদর্শন করে। এই সীমাবদ্ধতার কারণে, এই ধরনের মডেলগুলি শুধুমাত্র স্থির{11}}রাজ্য ফলাফল পূর্বাভাসের জন্য উপযুক্ত। একবার প্রসেস প্যারামিটারগুলি প্রশিক্ষণ ডেটার উত্তল হুল পরিসর থেকে বিচ্যুত হয়ে গেলে, শারীরিক সীমাবদ্ধতার অভাবের কারণে তাদের সাধারণীকরণের যথার্থতা তীব্রভাবে হ্রাস পায়, যা তাদের জটিল এবং পরিবর্তনশীল প্রকৃত ঢালাই অবস্থার সাথে খাপ খাইয়ে নেওয়া কঠিন করে তোলে। তদ্ব্যতীত, যেহেতু তারা শক্তি এবং ভর সংরক্ষণ আইনের সীমাবদ্ধতা থেকে সম্পূর্ণরূপে বিচ্ছিন্ন, ছোট নমুনা অবস্থার অধীনে, তারা অসঙ্গত ভবিষ্যদ্বাণী ফলাফল আউটপুট করার প্রবণতা যা মৌলিক শারীরিক যুক্তি লঙ্ঘন করে, একটি গুরুতর আত্মবিশ্বাসের ঝুঁকি তৈরি করে।
2.2 ঢালাই প্রক্রিয়ার গতিশীল সিমুলেশন: লেজার ওয়েল্ডিংয়ে কীহোল ভেঙে পড়া এবং স্প্যাটারের মতো ক্ষণস্থায়ী অস্থিরতা মোকাবেলা করে, গবেষণা ধীরে ধীরে উচ্চ-গতির ফটোগ্রাফি এবং এক্স-রে রেডিওগ্রাফি ডেটার সমন্বয়ে গভীর শিক্ষার আর্কিটেকচারের দিকে চলে গেছে। একটি সাধারণ কনভোল্যুশনাল নিউরাল নেটওয়ার্ক + লং স্বল্প-মেমরি নেটওয়ার্ক (CNN+LSTM) মডেল, স্থানিক বৈশিষ্ট্য এবং গলিত পুল চিত্রের অস্থায়ী বিবর্তন প্যাটার্নগুলি বের করে, শেষ- থেকে- ক্ষণস্থায়ী আচরণের গতিশীল ভবিষ্যদ্বাণী শেষ করে, কিছু পরিমাণে সীমাবদ্ধতার সীমাবদ্ধতার জন্য মডেলের ক্ষতিপূরণের জন্য প্রসেস যাইহোক, এই কৌশলটি পর্যবেক্ষণমূলক তথ্যের সম্পূর্ণতা দ্বারা সীমাবদ্ধ; এমনকি একাধিক সেন্সর সহ, পরীক্ষামূলক ডেটা মূলত একটি অভিক্ষেপ বা স্থানীয় নমুনা একটি দ্বিমাত্রিক সমতলে ত্রিমাত্রিক প্রবাহ ক্ষেত্রের-নমুনা। তরল মেকানিক্স নীতির সীমাবদ্ধতা ছাড়া, শুধুমাত্র পৃষ্ঠের ভিজ্যুয়াল তথ্য থেকে জটিল ত্রিমাত্রিক প্রবাহ ক্ষেত্রকে পুনর্গঠন করা কঠিন। যদিও বিদ্যমান মডেলগুলি পৃষ্ঠের প্রবাহের অভূতপূর্ব বৈশিষ্ট্যগুলিকে ক্যাপচার করতে পারে, তারা শক্তি এবং ভরবেগ স্থানান্তরের মৌলিক দৃষ্টিকোণ থেকে ঢালাই ত্রুটি গঠনের অন্তর্নিহিত প্রক্রিয়া ব্যাখ্যা করতে সংগ্রাম করে।
2.3 পদার্থবিদ্যা-ইনফর্মড রিগ্রেশন: বিশুদ্ধভাবে ডেটার ব্যাখ্যাযোগ্যতা সংকট মোকাবেলা করার জন্য-চালিত মডেল, পদার্থবিদ্যা-ইনফর্মড নিউরাল নেটওয়ার্ক (পিআইএনএন) আবির্ভূত হয়েছে। এই স্থাপত্যটি আর কেবল পর্যবেক্ষণ করা ডেটার সাথে খাপ খায় না, বরং মডেলের ক্ষতি ফাংশনে নিয়মিতকরণের সীমাবদ্ধতা হিসেবে নেভিয়ার-স্টোকস সমীকরণ এবং ক্ষণস্থায়ী তাপ পরিবাহী সমীকরণের অবশিষ্ট পদগুলিকে এম্বেড করে। প্রশিক্ষণ প্রক্রিয়াটি মূলত প্যারামিটার স্পেসে সর্বোত্তম সমাধান অনুসন্ধান করে যা উভয়ই পর্যবেক্ষণ করা ডেটার সাথে খাপ খায় এবং ভৌত সংরক্ষণ আইনগুলিকে সন্তুষ্ট করে। তাত্ত্বিকভাবে, ভৌত সমীকরণের কঠোর সীমাবদ্ধতাগুলি কার্যকরভাবে পরীক্ষামূলক পর্যবেক্ষণে ডেটা মাত্রা অনুপস্থিত হওয়ার জন্য ক্ষতিপূরণ দিতে পারে, মডেলটিকে সুপ্ত স্থানে শারীরিকভাবে সামঞ্জস্যপূর্ণ অভ্যন্তরীণ চাপ গ্রেডিয়েন্ট এবং বেগ ক্ষেত্র অনুমান করতে দেয়। যাইহোক, প্রকৌশল অনুশীলন দেখায় যে এই পদ্ধতিটি গুরুতর চ্যালেঞ্জের মুখোমুখি: ডেটা গ্রেডিয়েন্ট এবং ভৌত অবশিষ্ট গ্রেডিয়েন্টের মধ্যে বিশালতার পার্থক্য সহজেই নেটওয়ার্ক কনভারজেন্সে অসুবিধার কারণ হতে পারে; এবং উচ্চ-অর্ডার ডেরাইভেটিভের সঠিক গণনার জন্য প্রয়োজনীয় উচ্চ-ঘনত্বের কোলোকেশন পয়েন্টগুলি উল্লেখযোগ্যভাবে প্রশিক্ষণের খরচ বাড়ায়, এমনকি কিছু উচ্চ ফ্রিকোয়েন্সি ক্ষণস্থায়ী সমস্যায় মেশিন লার্নিংয়ের দক্ষতার সুবিধাগুলিকে অফসেট করে৷
03 মেশিন লার্নিং এবং CFD-এর তুলনা এবং সহযোগিতামূলক সিমুলেশন: লেজার ওয়েল্ডিংয়ের সংখ্যাসূচক সিমুলেশনে মেশিন লার্নিং এবং ঐতিহ্যগত কম্পিউটেশনাল ফ্লুইড ডাইনামিকস (CFD) এর মধ্যে কার্যকারিতার পার্থক্য স্পষ্ট করার জন্য এবং তাদের নিজ নিজ প্রযোজ্য পরিস্থিতি এবং মূল মানগুলি বোঝার জন্য, একটি পদ্ধতিগতভাবে পাঁচটি তুলনামূলক তুলনামূলক আচার-ব্যবহার করা হয়েছিল। খরচ, নির্ভুলতা এবং রেজোলিউশন, প্রক্রিয়া ব্যাখ্যা, সাধারণীকরণ ক্ষমতা, এবং প্রযোজ্য পরিস্থিতি। এই বিশ্লেষণটি দুটি পদ্ধতির সুবিধা এবং অসুবিধাগুলি এবং তাদের পরিপূরক সম্পর্ককে স্পষ্ট করে, যেমনটি নীচে বিশদভাবে দেওয়া হয়েছে।
লেজার ওয়েল্ডিং এবং মেশিন লার্নিংয়ের সংখ্যাসূচক সিমুলেশনের ঐতিহ্যগত সমন্বয় সাধারণত একটি অফলাইন মোড ব্যবহার করে, যেখানে CFD গণনা এবং মডেল প্রশিক্ষণ পৃথক ধাপে সঞ্চালিত হয়। এই প্রক্রিয়াটি হার্ড ড্রাইভে প্রচুর পরিমাণে ডেটার বিস্তৃত পঠন, লেখা এবং ফর্ম্যাট রূপান্তরের উপর নির্ভর করে, যার ফলে ডেটা প্রবাহ অদক্ষ হয় এবং বাস্তব-সময় বন্ধ-লুপ নিয়ন্ত্রণ গবেষণাকে সমর্থন করা কঠিন হয়ে পড়ে। PyFluent-ভিত্তিক কাপলিং আর্কিটেকচার ANSYS ফ্লুয়েন্ট সলভারকে কল করার জন্য একটি পাইথন ইন্টারফেস ব্যবহার করে এবং মেমরি স্তরে কম্পিউটেশনাল কার্নেল এবং বাহ্যিক অ্যালগরিদমের মধ্যে সরাসরি মিথস্ক্রিয়া অর্জনের জন্য gRPC প্রোটোকল ব্যবহার করে। এই কাপলিং পদ্ধতিটি স্বাধীন CFD সমাধানকারীকে একটি কম্পিউটেশনাল অবজেক্টে রূপান্তরিত করে যা পাইথন স্ক্রিপ্ট দ্বারা বলা যেতে পারে, ডিপ লার্নিং অ্যালগরিদমগুলিকে সরাসরি ফ্লো ফিল্ড ডেটা পড়তে এবং সমাধান প্রক্রিয়া নিয়ন্ত্রণ করার অনুমতি দেয়, উচ্চ-ফিডেলিটি প্রক্রিয়া-ফিজিক্যাল ফিল্ড ম্যাপিং সম্পর্ক স্থাপনের জন্য একটি ইন্টিগ্রেটেড ইঞ্জিনিয়ারিং পাথ প্রদান করে। এই আর্কিটেকচারের সুনির্দিষ্ট বাস্তবায়নে দুটি মূল দিক রয়েছে: গতিশীল পরামিতি আপডেট করা এবং ফ্লো ফিল্ড ডেটার অনলাইন নিষ্কাশন। প্যারামিটার নিয়ন্ত্রণের ক্ষেত্রে, এই পদ্ধতিটি স্ট্যাটিক অর্থোগোনাল অ্যারে (DOE) এর উপর ভিত্তি করে ঐতিহ্যগত বিচ্ছিন্ন নমুনা মোড পরিত্যাগ করে। পাইথন সাইডে Bayesian অপ্টিমাইজেশান বা রিইনফোর্সমেন্ট লার্নিং অ্যালগরিদম ব্যবহার করে, লেজার পাওয়ার এবং ওয়েল্ডিং গতির মতো পরবর্তী সেট প্রক্রিয়া ভেরিয়েবলগুলি বর্তমান মডেলের ভবিষ্যদ্বাণী বিচ্যুতি বা অন্বেষণ কৌশলের উপর ভিত্তি করে স্বয়ংক্রিয়ভাবে গণনা করা হয় এবং PyFluent ইন্টারফা-এর মাধ্যমে বাস্তব সময়ে সমাধানকারীর সীমানা পরিবর্তন করা হয়। এই প্রক্রিয়াটি কম্পিউটেশনাল রিসোর্সগুলিকে প্যারামিটার অঞ্চলগুলিতে কেন্দ্রীভূত করার অনুমতি দেয় যেখানে শারীরিক প্রতিক্রিয়াগুলি মারাত্মকভাবে পরিবর্তিত হয় বা ভবিষ্যদ্বাণীর অনিশ্চয়তা বেশি, নমুনা পয়েন্টগুলির অভিযোজিত প্রজন্মকে সক্ষম করে।
ডেটা ট্রান্সফারের ক্ষেত্রে, ঐতিহ্যগত ASCII ফাইল রপ্তানি প্রক্রিয়া প্রতিস্থাপন করতে একটি মেমরি শেয়ারিং মেকানিজম ব্যবহার করা হয়েছিল। ফ্লুয়েন্টে ধাপের পুনরাবৃত্তির সময়, পাইথন স্ক্রিপ্ট গলিত পুল অঞ্চলের তাপমাত্রা, ভলিউম ভগ্নাংশ, এবং বেগ ফিল্ড ডেটা বের করতে field_data ইন্টারফেসের মাধ্যমে সলভারের মেমরিতে সরাসরি অ্যাক্সেস করতে পারে এবং নিউরাল নেটওয়ার্কে ইনপুট দেওয়ার জন্য NumPy অ্যারে বা টেনসরে রূপান্তর করতে পারে। এই বাস্তব-সময়ের ডেটা ফ্লো CFD গণনার ব্যবধানে মডেলের অনলাইন প্রশিক্ষণ এবং পরিবর্তনের জন্য, ভৌত ক্ষেত্রের বিবর্তন এবং ডেটা চালিত মডেলিংয়ের সিঙ্ক্রোনাস ক্রিয়াকলাপ অর্জন- করার অনুমতি দেয়৷
মেশিন লার্নিং ওয়ার্কফ্লোতে PyFluent একীভূত করা সিমুলেশন মডেলিংয়ের গভীরতা বাড়ায় কিন্তু নতুন ইঞ্জিনিয়ারিং বাস্তবায়ন চ্যালেঞ্জও প্রবর্তন করে। প্রযুক্তিগত দৃষ্টিকোণ থেকে, মেমরির-স্তরের ডেটা মিথস্ক্রিয়া নমুনার গুণমান এবং কম্পিউটেশনাল দক্ষতা উন্নত করে। সলভারের মেমরি থেকে সরাসরি ফ্লোটিং-পয়েন্ট ডেটা বের করা টেক্সট ফরম্যাট রূপান্তরের কারণে সৃষ্ট ছেদন ত্রুটি এড়ায়, মূল গণনাগত নির্ভুলতা রক্ষা করে। কীহোলের দেয়ালে মিনিটের ওঠানামার মতো অত্যন্ত সংবেদনশীল বৈশিষ্ট্যগুলি ক্যাপচার করার জন্য এটি অত্যন্ত গুরুত্বপূর্ণ। অধিকন্তু, এই আর্কিটেকচারটি প্রক্রিয়া নিয়ন্ত্রণের বৈধতা ক্ষমতা প্রদান করে, সিমুলেশন সময় ধাপগুলির মধ্যে নিয়ন্ত্রণ যুক্তির এম্বেডিংকে "মেল্ট পুল মনিটরিং - প্যারামিটার ডিসিশন - পাওয়ার অ্যাডজাস্টমেন্টের একটি বন্ধ-লুপ প্রক্রিয়ার অনুকরণ করার অনুমতি দেয়, যার ফলে বুদ্ধিমান কৌশলগত স্তরে বুদ্ধিমান কৌশলগত নিয়ন্ত্রণের সম্ভাব্যতা যাচাই করা হয়।
04 এই বিভাগটি লেজার ওয়েল্ডিংয়ের সংখ্যাসূচক সিমুলেশনে মেশিন লার্নিংয়ের ভূমিকার সংক্ষিপ্ত বিবরণ দেয়, প্রাথমিকভাবে মাল্টি-ফিজিক্স ফিল্ড ক্যালকুলেশনে কম কম্পিউটেশনাল দক্ষতার সমস্যা মোকাবেলার জন্য প্রথাগত CFD-এর ফিজিক্যাল মেকানিজম এবং ডেটা ফাউন্ডেশনের উপর ফোকাস করে। ভবিষ্যত গবেষণা পদার্থবিদ্যা এবং ডেটার একীকরণের উপর ফোকাস করবে: প্রথমত, PyFluent ইন্টারফেস ব্যবহার করে সলভার মেমরি স্তরে গতিশীল মিথস্ক্রিয়া অর্জন করা, মেশিন লার্নিং এবং CFD-এর সিঙ্ক্রোনাস অপারেশনের জন্য একটি অনলাইন কাপলিং ফ্রেমওয়ার্ক প্রতিষ্ঠা করা, এর ফলে ডেটা ট্রান্সমিশন ল্যাগ এবং বন্ধ{3}}প্রথাগত অফলাইন লুপ নিয়ন্ত্রণের অভাবের সমস্যাগুলি সমাধান করা; দ্বিতীয়ত, অ্যালগরিদমিক সীমাবদ্ধতার মধ্যে ভর, ভরবেগ, এবং শক্তি সংরক্ষণ সমীকরণগুলিকে অন্তর্ভুক্ত করার জন্য পদার্থবিদ্যা-অবহিত নিউরাল নেটওয়ার্কগুলি (পিআইএনএন) প্রয়োগ করা, সম্পূর্ণরূপে ডেটা চালিত মডেলগুলির ত্রুটিগুলি সংশোধন করে- শারীরিক সামঞ্জস্যের অভাব৷ এই পদ্ধতিগুলির মাধ্যমে, লক্ষ্য হল অফলাইন ভবিষ্যদ্বাণী থেকে উচ্চ-বিশ্বস্ততা, বাস্তব-টাইম ডিজিটাল টুইনিং-এ লেজার ওয়েল্ডিং সংখ্যাসূচক সিমুলেশনে একটি রূপান্তর অর্জন করা।
