01
کاغذ کا تعارف
گہرے-دخول کے موڈ میں لیزر ویلڈنگ جدید مینوفیکچرنگ میں دھات کی شمولیت کے ایک انتہائی امید افزا عمل کی نمائندگی کرتی ہے۔ تاہم، اس کا اطلاق اکثر پوروسیٹی نقائص کی موجودگی کی وجہ سے روکا جاتا ہے۔ یہ دیکھتے ہوئے کہ سوراخ کی تشکیل میں انتہائی غیر لکیری اور کثیر-جوڑے جانے والے جسمانی عمل شامل ہیں-اور مبہم دھاتوں کے اندر *صورتحال* کی نگرانی کرنا مشکل ہے-پوراسٹی نقائص کی درست پیش گوئی کرنا اور ان کی بنیادی تشکیل کے طریقہ کار ایک زبردست چیلنج بنی ہوئی ہے۔ روایتی پیرامیٹرک اسٹڈیز اور مشین لرننگ ماڈلز جو کہ مکمل طور پر خام ویلڈنگ کے پیرامیٹرز پر مبنی ہیں، عام کرنے کی صلاحیت، گہرے بیٹھنے والے سوراخوں کی پیشین گوئی کرنے میں درستگی، اور تشریحی صلاحیت کے حوالے سے حدود کا شکار ہیں۔ اس نازک مسئلے کو حل کرنے کے لیے، موجودہ مطالعہ ایک جدید طبیعیات-باخبر گہری سیکھنے (PIDL) فریم ورک کی تجویز پیش کرتا ہے۔ تجرباتی اعداد و شمار کے ساتھ میکانکی ماڈلنگ کو مربوط کرکے، اس فریم ورک کا مقصد ایلومینیم مرکبات کی لیزر ویلڈنگ کے دوران پوروسیٹی کی شرح کی درست پیش گوئی کرنا اور اس کی تشکیل کے پیچھے بنیادی جسمانی وجوہات کو واضح کرنا ہے۔
02
**مطالعہ کا جائزہ**
یہ مطالعہ لیزر ویلڈنگ میں پوروسیٹی کے مسئلے کو حل کرتا ہے-ایک مسئلہ جو پیچیدہ مظاہر جیسے کی ہول کی عدم استحکام، پگھلنے والے پول کی حرکیات، اور مضبوطی سے پیدا ہوتا ہے-ایک نیا پیش گوئی کرنے والا فریم ورک تجویز کرتا ہے جو ملٹی فزکس عددی تخروپن کو گہری سیکھنے کے ساتھ مربوط کرتا ہے۔ تحقیق کا آغاز تجرباتی طور پر توثیق شدہ ملٹی فزکس ماڈل کے استعمال سے ہوتا ہے تاکہ کی ہول کے استحکام، پگھلنے والے پول جیومیٹری، مائع دھات کے بہاؤ، اور تھرمل خصوصیات سے منسلک کلیدی جسمانی متغیرات کو منظم طریقے سے نکالا جا سکے۔ اس بنیاد کی بنیاد پر، ایک PIDL ماڈل بنایا گیا تھا۔ روایتی ڈیپ لرننگ ماڈلز کے مقابلے میں جو مکمل طور پر عمل کے پیرامیٹرز پر تربیت یافتہ ہیں، اس ماڈل نے اوسط اسکوائرڈ ایرر (MSE) میں کافی 41% کمی حاصل کی۔ ماڈل کی تشریح کو بڑھانے کے لیے، محققین نے ان جسمانی متغیرات کو واضح جسمانی اہمیت کے ساتھ بغیر جہت کے خصوصیات میں ترکیب کیا (مثلاً، کی ہول اسپیکٹ ریشو، اسٹوکس نمبر، وغیرہ)۔ آخر میں، SHAP (Shapley Additive Explanations) کے تجزیے سے فائدہ اٹھاتے ہوئے، مطالعہ نے مقداری طور پر-پہلی بار-پوروسیٹی تشکیل کے عمل میں مختلف جسمانی عوامل کی درجہ بندی کی اہمیت کا انکشاف کیا۔ نتائج کی ہول کے پہلو کے تناسب اور نیچے کی طرف پگھلنے والے بہاؤ سے چلنے والے بہاؤ کی مزاحمت کو پوروسیٹی تشکیل کے دو اہم ترین عامل کے طور پر شناخت کرتے ہیں، اس طرح عمل کی اصلاح کے لیے واضح رہنمائی فراہم کرتے ہیں۔
03
بصری تجزیہ
شکل 1 مختلف ویلڈنگ کے پیرامیٹرز کے تحت حاصل کی جانے والی مخصوص تاکوں کی تقسیم کی تصویروں کی وضاحت کرتا ہے، X-کے معائنہ اور تصویر کی شناخت کے الگورتھم کے ذریعے پروسیسنگ کے بعد۔ اعداد و شمار سے پتہ چلتا ہے کہ جیسے جیسے ویلڈنگ کے پیرامیٹرز کا مجموعہ مختلف ہوتا ہے، ویلڈ سیون کے اندر چھیدوں کی مقدار، سائز اور تقسیم میں اہم فرق ابھرتا ہے۔ یہ porosity ڈیٹا ڈیپ لرننگ ماڈلز کے بعد کی تربیت کے لیے لیبل کے طور پر کام کرتا ہے۔
شکل 2 اس مطالعے میں استعمال کیے گئے ملٹی فزکس عددی ماڈل کا اسکیمیٹک خاکہ پیش کرتا ہے۔ بڑے پیمانے پر، رفتار، اور توانائی کے تحفظ کی مساوات کو حل کرکے-اور ایک کرن کو شامل کرکے-ٹریسنگ الگورتھم-یہ ماڈل کی ہول کے اندر لیزر بیم کے متعدد انعکاس اور توانائی کے جذب کو درست طریقے سے شمار کرتا ہے۔ شکل 2(a) لیزر بیم کی بے شمار ذیلی-شعاعوں میں تفریق کو واضح کرتی ہے، ہر ایک مخصوص مقدار میں توانائی لے کر جاتا ہے۔ شکل 2(b) ہندسی طور پر لیزر کی شہتیر کی کمر کو ظاہر کرتی ہے۔ اور شکل 2(c) کی ہول کے اندر لیزر ذیلی شعاعوں کے ذریعے متعدد عکاسیوں کے پیچیدہ عمل کو بصری طور پر پیش کرتا ہے۔ یہ ماڈل تھری-کی ہول مورفولوجی اور پگھلنے والے پول فلو فیلڈز سے متعلق تین جہتی، عارضی معلومات فراہم کرتا ہے-ڈیٹا جو تجرباتی طور پر حاصل کرنا مشکل ہے-اس طرح PIDL ماڈل کی تعمیر کے لیے اہم ان پٹ خصوصیات فراہم کرتا ہے۔
شکل 3 ملٹی فزکس ماڈل کے توثیق کے نتائج پیش کرتا ہے، انتہائی عمل کے پیرامیٹرز کے تحت پگھلنے والے پول کی گہرائی (تصویر. 3(a)) اور پگھلنے والے پول کی لمبائی (تصویر. 3(b)) کے لیے ماڈل کی پیشین گوئیوں کے ساتھ تجرباتی طور پر ماپی گئی اقدار کا موازنہ کرتا ہے۔ نتائج ماڈل پیشین گوئیوں اور تجرباتی اعداد و شمار کے درمیان ایک مضبوط معاہدے کا مظاہرہ کرتے ہیں۔ خاص طور پر، پگھلنے والے تالاب کی گہرائی کی پیشین گوئیوں کے لیے متعلقہ غلطی -6.3% سے 20.9% کی حد میں آتی ہے، جب کہ پگھلنے والے تالاب کی لمبائی کی پیشین گوئیوں کے لیے غلطی -16.9% سے 20.4% تک ہوتی ہے۔ یہ توثیق کے نتائج قائم کردہ ملٹی فزکس ماڈل کی اعلیٰ درستگی کی تصدیق کرتے ہیں، جو بعد کے گہرے سیکھنے کے ماڈلز کے لیے قابل اعتماد جسمانی متغیر ڈیٹا فراہم کرنے کی صلاحیت کو ظاہر کرتے ہیں۔
