গভীর-অনুপ্রবেশ মোডে লেজার ঢালাই আধুনিক উত্পাদনে একটি অত্যন্ত প্রতিশ্রুতিশীল ধাতু যোগদান প্রক্রিয়া উপস্থাপন করে; যাইহোক, এর প্রয়োগ প্রায়শই ছিদ্র ত্রুটির কারণে বাধাগ্রস্ত হয়। প্রদত্ত যে ছিদ্র গঠন অত্যন্ত অরৈখিক এবং বহু-যুগযুক্ত শারীরিক প্রক্রিয়াগুলিকে জড়িত করে-এবং অস্বচ্ছ ধাতুগুলির মধ্যে *অবস্থায়* নিরীক্ষণ করা কঠিন-নিখুঁতভাবে পোরোসিটি ত্রুটিগুলির ভবিষ্যদ্বাণী করা এবং তাদের অন্তর্নিহিত গঠন প্রক্রিয়াগুলি একটি ভয়ঙ্কর চ্যালেঞ্জ রয়ে গেছে৷ শুধুমাত্র কাঁচা ওয়েল্ডিং প্যারামিটারের উপর ভিত্তি করে প্রচলিত প্যারামেট্রিক অধ্যয়ন এবং মেশিন লার্নিং মডেলগুলি সাধারণীকরণের ক্ষমতা, গভীর -বসন্ত পোরোসিটি ভবিষ্যদ্বাণীতে নির্ভুলতা, এবং ব্যাখ্যাযোগ্যতা সংক্রান্ত সীমাবদ্ধতার সম্মুখীন হয়। এই জটিল সমস্যাটি সমাধানের জন্য, এই গবেষণাটি একটি উদ্ভাবনী পদার্থবিদ্যার প্রস্তাব করেছে-ইনফর্মড ডিপ লার্নিং (পিআইডিএল) কাঠামো যা পরীক্ষামূলক ডেটার সাথে যান্ত্রিক মডেলিংকে একীভূত করে, যার লক্ষ্য অ্যালুমিনিয়াম ধাতুগুলির লেজার ঢালাইয়ের সময় পোরোসিটি স্তরের সঠিকভাবে ভবিষ্যদ্বাণী করা এবং তাদের অন্তর্নিহিত শারীরিক প্রক্রিয়ার জন্য দায়ী শারীরিক প্রক্রিয়া ব্যাখ্যা করা।
লেজার ওয়েল্ডিং-এ পোরোসিটির সমস্যাকে মোকাবেলা করা-কীহোল অস্থিরতা, গলিত পুল গতিবিদ্যা এবং দৃঢ়করণের মতো জটিল প্রক্রিয়া দ্বারা চালিত একটি ঘটনা-এই গবেষণাটি একটি অভিনব ভবিষ্যদ্বাণীমূলক কাঠামোর প্রস্তাব করে যা গভীর শিক্ষার সাথে মাল্টিফিজিক্স সংখ্যাসূচক সিমুলেশনকে একীভূত করে। পরীক্ষামূলক ডেটার মাধ্যমে যাচাই করা একটি মাল্টিফিজিক্স মডেল ব্যবহার করে পদ্ধতিগতভাবে মূল ভৌত ভেরিয়েবলগুলি-কিহোলের স্থায়িত্ব, মেল্ট পুল জ্যামিতি, তরল ধাতু প্রবাহ এবং তাপীয় বৈশিষ্ট্যগুলি-কে বের করে নিয়ে শুরু হয়৷ এই ভিত্তির উপর ভিত্তি করে, শুধুমাত্র প্রক্রিয়া প্যারামিটারের উপর প্রশিক্ষিত ঐতিহ্যগত গভীর শিক্ষার মডেলগুলির তুলনায় উন্নত PIDL মডেলটি গড় স্কোয়ারড ত্রুটি (MSE) 41% হ্রাস পেয়েছে। মডেল ব্যাখ্যাযোগ্যতা উন্নত করার জন্য, গবেষকরা এই ভৌত ভেরিয়েবলগুলিকে সুস্পষ্ট শারীরিক তাত্পর্য সহ মাত্রাবিহীন বৈশিষ্ট্যগুলিতে সংশ্লেষিত করেছেন (যেমন, কীহোল আকৃতির অনুপাত, স্টোকস নম্বর)। পরিশেষে, SHAP (Shapley Additive Explanations) বিশ্লেষণ ব্যবহার করে, অধ্যয়ন পরিমাণগতভাবে প্রতিষ্ঠিত-প্রথমবারের জন্য-পরোসিটি গঠন প্রক্রিয়ায় বিভিন্ন শারীরিক কারণের ক্রমিক গুরুত্ব; বিশেষত, এটি কীহোল আকৃতির অনুপাত এবং নিম্নগামী গলিত প্রবাহ দ্বারা চালিত প্রবাহ প্রতিরোধকে ছিদ্র গঠনের দুটি সবচেয়ে গুরুত্বপূর্ণ নির্ধারক হিসাবে চিহ্নিত করেছে, যার ফলে প্রক্রিয়া অপ্টিমাইজেশানের জন্য স্পষ্ট নির্দেশিকা প্রদান করা হয়েছে।
চিত্র 1 এক্স-রে পরিদর্শন এবং চিত্র সনাক্তকরণ অ্যালগরিদমগুলির মাধ্যমে প্রক্রিয়াকরণের পর বিভিন্ন ঢালাই পরামিতির অধীনে প্রাপ্ত পোরোসিটি বিতরণের সাধারণ চিত্রগুলিকে চিত্রিত করে৷ চিত্রটি দেখায় যে ঢালাইয়ের পরামিতিগুলির সংমিশ্রণ পরিবর্তিত হওয়ার সাথে সাথে ওয়েল্ড সিমের মধ্যে ছিদ্রগুলির পরিমাণ, আকার এবং বিতরণে উল্লেখযোগ্য পার্থক্য দেখা দেয়; এই পোরোসিটি ডেটা গভীর শিক্ষার মডেলগুলির পরবর্তী প্রশিক্ষণের জন্য লেবেল হিসাবে কাজ করে।
চিত্র 2 এই গবেষণায় নিযুক্ত মাল্টিফিজিক্স সংখ্যাসূচক মডেলের একটি পরিকল্পিত চিত্র উপস্থাপন করে। ভর, ভরবেগ, এবং শক্তির জন্য সংরক্ষণ সমীকরণগুলি সমাধান করে-এবং একটি রশ্মি অন্তর্ভুক্ত করে-ট্রেসিং অ্যালগরিদম-এই মডেলটি কীহোলের মধ্যে লেজার রশ্মির একাধিক প্রতিফলন এবং শক্তি শোষণকে সঠিকভাবে গণনা করে। চিত্র 2(a) লেজার রশ্মিকে অসংখ্য উপ- রশ্মিতে বিভক্ত করে, প্রতিটি একটি নির্দিষ্ট পরিমাণ শক্তি বহন করে; চিত্র 2(b) জ্যামিতিকভাবে লেজারের মরীচি কোমরকে চিত্রিত করে; এবং চিত্র 2(c) কীহোলের ভিতরে লেজারের সাব{10} রশ্মির মধ্য দিয়ে একাধিক প্রতিফলনের জটিল প্রক্রিয়াটিকে দৃশ্যতভাবে উপস্থাপন করে। এই মডেলটি কিহোল মর্ফোলজি এবং মেল্ট পুল ফ্লো ক্ষেত্র সম্পর্কিত ত্রিমাত্রিক, ক্ষণস্থায়ী তথ্য প্রদান করে{13}}যা পরীক্ষামূলকভাবে প্রাপ্ত করা কঠিন-যার ফলে পিআইডিএল মডেলের নির্মাণের জন্য গুরুত্বপূর্ণ ইনপুট বৈশিষ্ট্য সরবরাহ করা হয়।
চিত্র 3 মাল্টিফিজিক্স মডেলের বৈধতা ফলাফল উপস্থাপন করে, এক্সট্রিম প্রসেস প্যারামিটারের অধীনে গলিত পুলের গভীরতা (চিত্র. 3(a)) এবং গলিত পুলের দৈর্ঘ্য (চিত্র. 3(b)) এর মডেল ভবিষ্যদ্বাণীগুলির সাথে পরীক্ষামূলকভাবে পরিমাপ করা মানগুলির তুলনা করে৷ ফলাফল মডেল ভবিষ্যদ্বাণী এবং পরীক্ষামূলক তথ্যের মধ্যে একটি শক্তিশালী চুক্তি প্রদর্শন করে; বিশেষভাবে, গলিত পুলের গভীরতার পূর্বাভাসের আপেক্ষিক ত্রুটি -6.3% থেকে 20.9% এর মধ্যে পড়ে, যেখানে গলে যাওয়া পুলের দৈর্ঘ্যের পূর্বাভাসের ত্রুটি -16.9% থেকে 20.4% পর্যন্ত। এই বৈধতা ফলাফলগুলি প্রতিষ্ঠিত মাল্টিফিজিক্স মডেলের উচ্চ নির্ভুলতা নিশ্চিত করে, পরবর্তী গভীর শিক্ষার মডেলগুলির জন্য নির্ভরযোগ্য শারীরিক পরিবর্তনশীল ডেটা সরবরাহ করার ক্ষমতা প্রদর্শন করে।
চিত্র 4 PIDL মডেলের কর্মক্ষমতা চিত্রিত করে-প্রত্যক্ষ ভৌত ভেরিয়েবলের ডেটাসেট ব্যবহার করে প্রশিক্ষিত-পোরোসিটির পূর্বাভাস দিতে। চিত্র 4(a) দেখায় যে এনসেম্বল লার্নিং ফ্রেমওয়ার্কের মধ্যে সমস্ত সাব-মডেলের ক্ষতি ফাংশনগুলি কার্যকরভাবে একত্রিত হয়। পরিসংখ্যান 4(b) এবং 4(c) যথাক্রমে প্রশিক্ষণ এবং পরীক্ষার সেটগুলির জন্য পূর্বাভাসিত এবং প্রকৃত সরুত্ব মানগুলির মধ্যে তুলনা করে। ফলাফলগুলি নির্দেশ করে যে পিআইডিএল মডেলটি প্রশিক্ষণ সেটে 0.32 এবং পরীক্ষার সেটে 0.75 এর একটি MSE অর্জন করেছে, যার ফলে শারীরিক ভেরিয়েবল এবং পোরোসিটির মধ্যে জটিল অরৈখিক সম্পর্কগুলি কার্যকরভাবে শিখতে এবং সঠিক পরিমাণগত ভবিষ্যদ্বাণী অর্জনের পদ্ধতির ক্ষমতা প্রদর্শন করে৷
চিত্র 5, SHAP বিশ্লেষণের মাধ্যমে, গুরুত্বের র্যাঙ্কিং এবং পোরোসিটি ভবিষ্যদ্বাণীতে বিভিন্ন শারীরিক ভেরিয়েবলের প্রভাব প্রবণতা প্রকাশ করে। চিত্র 5(a) নির্দেশ করে যে, সমস্ত নির্বাচিত ভৌত ভেরিয়েবলের মধ্যে, তরল ধাতু প্রবাহের মধ্যে সর্বাধিক নিম্নগামী বেগ পোরোসিটির উপর সর্বাধিক প্রভাব ফেলে, তারপরে কীহোলের গভীরতা। চিত্র 5(b) প্রতিটি নমুনার জন্য ভবিষ্যদ্বাণী ফলাফলে প্রতিটি বৈশিষ্ট্য থেকে অবদানের বন্টনকে চিত্রিত করে, যেখানে লাল উচ্চ বৈশিষ্ট্যের মান এবং নীল নিম্ন বৈশিষ্ট্যের মানগুলিকে প্রতিনিধিত্ব করে। একটি সম্মিলিত বিশ্লেষণ প্রকাশ করে যে সর্বাধিক নিম্নগামী বেগ ছিদ্রের সাথে নেতিবাচকভাবে সম্পর্কযুক্ত (অর্থাৎ, নিম্নমুখী প্রবাহ যত শক্তিশালী, ছিদ্রতা তত বেশি), যেখানে কীহোলের গভীরতা পোরোসিটির সাথে ইতিবাচকভাবে সম্পর্কযুক্ত (অর্থাৎ, কীহোল যত গভীর, ছিদ্র তত বেশি)।
