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 ماڈل جو کہ صرف خام ویلڈنگ کے پیرامیٹرز پر مبنی ہیں، عام کرنے کی صلاحیت، گہرائی سے بیٹھنے والے پوروسیٹی کی پیشین گوئی کرنے میں درستگی، اور تشریحی صلاحیت کے حوالے سے حدود کا شکار ہیں۔ اس اہم مسئلے کو حل کرنے کے لیے، یہ مطالعہ ایک اختراعی فزکس-انفارمڈ ڈیپ لرننگ (PIDL) فریم ورک کی تجویز پیش کرتا ہے جو کہ تجرباتی ڈیٹا کے ساتھ میکانکی ماڈلنگ کو مربوط کرتا ہے، جس کا مقصد ایلومینیم مرکبات کی لیزر ویلڈنگ کے دوران پوروسیٹی لیولز کی درست پیش گوئی کرنا اور ان کے ذمہ دار فزیکل میکانزم کو واضح کرنا ہے۔
لیزر ویلڈنگ میں پوروسیٹی کے مسئلے کو حل کرتے ہوئے-کی ہول کی عدم استحکام، پگھلنے والے پول کی حرکیات، اور مضبوطی جیسے پیچیدہ عملوں کے ذریعے کارفرما ایک رجحان-یہ مطالعہ ایک نیا پیشن گوئی کرنے والا فریم ورک تجویز کرتا ہے جو ملٹی فزکس عددی تخروپن کو گہری سیکھنے کے ساتھ مربوط کرتا ہے۔ تحقیق کا آغاز منظم طریقے سے کلیدی فزیکل متغیرات کو نکال کر ہوتا ہے-کی ہول کے استحکام، پگھلنے والے پول جیومیٹری، مائع دھات کے بہاؤ، اور تھرمل خصوصیات-کو تجرباتی ڈیٹا کے ذریعے توثیق شدہ ملٹی فزکس ماڈل کا استعمال کرتے ہوئے۔ اس بنیاد کی بنیاد پر، ترقی یافتہ PIDL ماڈل نے روایتی ڈیپ لرننگ ماڈلز کے مقابلے میں اوسط اسکوائرڈ ایرر (MSE) میں 41 فیصد کمی حاصل کی جو مکمل طور پر عمل کے پیرامیٹرز پر تربیت یافتہ ہیں۔ ماڈل کی تشریح کو بڑھانے کے لیے، محققین نے ان فزیکل متغیرات کو واضح جسمانی اہمیت کے ساتھ جہتی خصوصیات میں ترکیب کیا (مثال کے طور پر، کی ہول کا پہلو تناسب، اسٹوکس نمبر)۔ آخر میں، SHAP (Shapley Additive Explanations) تجزیہ کا استعمال کرتے ہوئے، مطالعہ نے مقداری طور پر-پہلی بار-پوراسٹی تشکیل کے عمل میں مختلف جسمانی عوامل کی درجہ بندی کی اہمیت کو قائم کیا۔ خاص طور پر، اس نے کی ہول کے پہلو کے تناسب اور نیچے کی طرف پگھلنے والے بہاؤ سے چلنے والے بہاؤ کی مزاحمت کو پوروسیٹی کی تشکیل کے دو اہم ترین عوامل کے طور پر شناخت کیا، اس طرح عمل کی اصلاح کے لیے واضح رہنمائی فراہم کی گئی۔
شکل 1 مختلف ویلڈنگ کے پیرامیٹرز کے تحت حاصل کی گئی پورسٹی ڈسٹری بیوشن کی مخصوص تصاویر کی وضاحت کرتا ہے، X- رے 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۔
تصویر 4 PIDL ماڈل کی کارکردگی کو واضح کرتی ہے-براہ راست جسمانی متغیرات کے ڈیٹاسیٹ کا استعمال کرتے ہوئے تربیت یافتہ-پوروسیٹی کی پیش گوئی کرنے میں۔ شکل 4(a) یہ ظاہر کرتا ہے کہ سیکھنے کے فریم ورک کے اندر تمام ذیلی-ماڈلز کے نقصان کے افعال مؤثر طریقے سے آپس میں مل جاتے ہیں۔ اعداد و شمار 4(b) اور 4(c) بالترتیب ٹریننگ اور ٹیسٹ سیٹس کے لیے پیش گوئی شدہ اور حقیقی پوروسیٹی اقدار کے درمیان موازنہ پیش کرتے ہیں۔ نتائج بتاتے ہیں کہ PIDL ماڈل نے تربیتی سیٹ پر 0.32 اور ٹیسٹ سیٹ پر 0.75 کا MSE حاصل کیا، اس طرح جسمانی متغیرات اور پوروسیٹی کے درمیان پیچیدہ غیر خطی تعلقات کو مؤثر طریقے سے سیکھنے، اور درست مقداری پیشین گوئیاں حاصل کرنے کے طریقہ کار کی صلاحیت کا مظاہرہ کیا۔
شکل 5، SHAP تجزیہ کے ذریعے، اہمیت کی درجہ بندی اور porosity پیشین گوئی پر مختلف جسمانی متغیرات کے اثر و رسوخ کے رجحانات کو ظاہر کرتا ہے۔ شکل 5(a) اس بات کی نشاندہی کرتی ہے کہ، تمام منتخب جسمانی متغیرات میں، مائع دھات کے بہاؤ کے اندر زیادہ سے زیادہ نیچے کی رفتار porosity پر سب سے زیادہ اثر ڈالتی ہے، جس کے بعد keyhole کی گہرائی ہوتی ہے۔ شکل 5(b) ہر نمونے کے پیشین گوئی کے نتائج میں ہر خصوصیت سے شراکت کی تقسیم کی وضاحت کرتا ہے، جس میں سرخ رنگ اعلی خصوصیت کی اقدار کی نمائندگی کرتا ہے اور نیلا کم خصوصیت کی اقدار کی نمائندگی کرتا ہے۔ ایک مشترکہ تجزیہ سے پتہ چلتا ہے کہ نیچے کی طرف زیادہ سے زیادہ رفتار کا تعلق porosity کے ساتھ منفی طور پر ہے (یعنی، نیچے کی طرف بہاؤ جتنا مضبوط ہوگا، porosity اتنا ہی زیادہ ہوگا)، جبکہ keyhole کی گہرائی porosity کے ساتھ مثبت طور پر منسلک ہے (یعنی، کی ہول جتنی گہری ہوگی، اتنی ہی زیادہ porosity)۔
