1. مقدمه و مرور کلی

این پژوهش، چارچوبی نوین ارائه می‌دهد که از سیستم‌های چندعامله مبتنی بر مدل‌های زبانی بزرگ (LLM) برای خودکارسازی و تسریع ارزیابی آلیاژها در ساخت افزایشی (AM) بهره می‌برد. فرآیند سنتی انتخاب آلیاژ و بهینه‌سازی پارامترها پیچیده است و نیازمند تخصص عمیق در علم مواد، شبیه‌سازی‌های ترمودینامیکی (مانند CALPHAD) و دینامیک سیالات محاسباتی (CFD) می‌باشد. سیستم عامل‌محور پیشنهادی، به‌طور هوشمندانه فراخوانی ابزارها را از طریق پروتکل‌هایی مانند پروتکل زمینه مدل (MCP) ارسال می‌کند تا وظایف متوالی را انجام دهد: محاسبه خواص ترموفیزیکی، شبیه‌سازی رفتار حوضچه مذاب، و تولید نقشه‌های فرآیند برای شناسایی پنجره‌های پارامتری عاری از عیب، به‌ویژه عیوب عدم همجوشی.

2. روش‌شناسی و چارچوب اصلی

چارچوب بر اساس یک معماری چندعامله مبتنی بر مدل زبانی بزرگ ساخته شده است که در آن عامل‌های تخصصی از طریق درخواست‌های کاربر استدلال می‌کنند، مسیرهای وظیفه را برنامه‌ریزی می‌کنند و بر اساس نتایج میانی، فراخوانی ابزارها را به‌صورت پویا اجرا می‌کنند.

2.1 معماری سیستم عامل‌محور مبتنی بر مدل زبانی بزرگ

این سیستم از یک عامل هماهنگ‌کننده استفاده می‌کند که یک پرسش سطح بالا (مانند "ارزیابی SS316L برای LPBF") را به وظایف فرعی تجزیه می‌کند. سپس عامل‌های متخصص، حوزه‌های خاص را مدیریت می‌کنند: یک عامل ترمودینامیک با نرم‌افزار CALPHAD ارتباط برقرار می‌کند، یک عامل شبیه‌سازی فرآیند حل‌کننده‌ها (Eagar-Tsai، Rosenthal یا OpenFOAM) را فراخوانی می‌کند و یک عامل تحلیل نتایج را تفسیر می‌کند تا نقشه‌های فرآیند و توصیه‌ها را تولید کند. ارتباط و ارسال ابزار با استفاده از MCP استانداردسازی شده است.

2.2 یکپارچه‌سازی با ابزارهای CALPHAD و ترمودینامیکی

برای یک ترکیب آلیاژی مشخص، سیستم به‌طور خودکار از پایگاه‌های داده CALPHAD پرس‌وجو می‌کند تا فازهای تعادلی و خواص وابسته به دما را که برای شبیه‌سازی AM حیاتی هستند محاسبه کند: رسانایی گرمایی ($k$)، ظرفیت گرمایی ویژه ($C_p$)، چگالی ($\rho$) و دمای جامدوس/مایعوس. این کار جایگزین جستجوی دستی پایگاه داده و آماده‌سازی ورودی می‌شود.

2.3 خط لوله شبیه‌سازی فرآیند و پیش‌بینی عیوب

با استفاده از خواص مواد، سیستم شبیه‌سازی‌های تحلیلی (Eagar-Tsai) یا CFD (OpenFOAM) حوضچه مذاب را در محدوده‌ای از پارامترهای توان پرتو ($P$) و سرعت اسکن ($v$) اجرا می‌کند. ابعاد حوضچه مذاب حاصل (عرض $w$، عمق $d$) برای محاسبه معیار عدم همجوشی (LoF) استفاده می‌شود. یک نقشه فرآیند تولید می‌شود که پنجره پارامتری "ایمن" را از منطقه مستعد عیب جدا می‌کند.

3. پیاده‌سازی فنی و جزئیات

3.1 مبانی ریاضی و فرمول‌های کلیدی

هسته پیش‌بینی عیب در مدل‌سازی حوضچه مذاب و معیارهای همپوشانی نهفته است. حل Rosenthal برای یک منبع گرمایی نقطه‌ای متحرک، یک تخمین سریع از میدان دما ارائه می‌دهد: $$T - T_0 = \frac{P}{2 \pi k R} \exp\left(-\frac{v(R+x)}{2\alpha}\right)$$ که در آن $T_0$ دمای محیط، $R$ فاصله شعاعی از منبع، $v$ سرعت اسکن و $\alpha$ پخش‌پذیری گرمایی است. برای پیش‌بینی LoF، یک شرط بحرانی این است که عمق حوضچه مذاب باید از ضخامت لایه ($t$) بیشتر باشد: $d \geq t$. برای مسیرهای اسکن مجاور، نسبت همپوشانی $\eta = \frac{w_o}{w}$ (که در آن $w_o$ عرض همپوشانی است) باید کافی باشد، معمولاً >~20%، تا از ایجاد حفره جلوگیری شود.

3.2 راه‌اندازی آزمایشی و مطالعات موردی

مقاله این چارچوب را بر روی دو آلیاژ رایج AM نشان می‌دهد: فولاد زنگ‌نزن 316L و اینکونل 718 (IN718). برای هر کدام، به سیستم عامل‌محور وظیفه داده شد تا ترکیب استاندارد و چندین گونه پیشنهادی (مانند IN718 با محتوای Nb تنظیم‌شده) را ارزیابی کند. گردش کار شامل موارد زیر بود: 1) محاسبه CALPHAD دمای مایعوس و $C_p$، 2) شبیه‌سازی Eagar-Tsai برای یک ماتریس $P-v$ (مثلاً $P$: 50-300 وات، $v$: 200-1500 میلی‌متر بر ثانیه)، 3) محاسبه هندسه حوضچه مذاب، و 4) تولید یک نقشه فرآیند دو بعدی با مرز LoF.

3.3 نتایج و تحلیل عملکرد

خروجی اصلی یک نقشه فرآیند عدم همجوشی است. نمودار یک نمودار کانتور دو بعدی است با توان پرتو (وات) در محور Y و سرعت اسکن (میلی‌متر بر ثانیه) در محور X. یک منحنی مرزی مشخص، نمودار را به دو منطقه تقسیم می‌کند. منطقه پایین-چپ (توان کم، سرعت بالا) با رنگ قرمز سایه‌دار شده و برچسب "منطقه عیب عدم همجوشی" خورده است، جایی که عمق حوضچه مذاب کافی نیست. منطقه بالا-راست (توان بالاتر، سرعت متوسط) با رنگ سبز سایه‌دار شده و برچسب "پنجره فرآیند پایدار" خورده است. برای گونه‌های IN718، نقشه یک جابجایی قابل اندازه‌گیری در منحنی مرزی نشان داد که نشان می‌دهد تغییرات ترکیب، پارامترهای پردازش بهینه را تغییر می‌دهد. سیستم عامل‌محور با موفقیت این جابجایی را کمّی کرد و یک تحلیل مقایسه‌ای ارائه داد.

کاهش زمان ارزیابی

~70%

کاهش تخمینی در زمان راه‌اندازی و تحلیل دستی برای هر گونه آلیاژی.

ترکیبات پارامتری تحلیل شده

>500

ترکیبات معمول $P-v$ که به‌طور خودکار برای ترسیم مرز عیب شبیه‌سازی شده‌اند.

4. چارچوب تحلیل و نمونه موردی

مثال: ارزیابی یک گونه جدید آلیاژ Al-Si-Mg
درخواست کاربر: "خطر عدم همجوشی را برای AlSi10Mg با محتوای Mg افزایش‌یافته 1% برای LPBF در ضخامت لایه 30 میکرومتر ارزیابی کنید."

  1. تجزیه وظیفه: عامل هماهنگ‌کننده مراحل مورد نیاز را شناسایی می‌کند: دریافت خواص، شبیه‌سازی حوضچه مذاب، بررسی معیار LoF.
  2. اجرای ابزار:
    • عامل ابزار CALPHAD را از طریق MCP با ترکیب "Al-Si10-Mg1+" فراخوانی می‌کند. $T_{liq}$، $k(T)$، $\rho$ را دریافت می‌کند.
    • عامل یک مدل تحلیلی حوضچه مذاب (Eagar-Tsai) را با این خواص و یک شبکه $P$ (400-100 وات)، $v$ (3000-500 میلی‌متر بر ثانیه) پیکربندی می‌کند.
    • برای هر جفت $(P, v)$، عمق حوضچه مذاب $d$ محاسبه می‌شود.
  3. تحلیل و خروجی: عامل قانون $d < 30\mu m$ را اعمال می‌کند تا خطر LoF را علامت‌گذاری کند. یک نقشه فرآیند و یک خلاصه تولید می‌کند: "پنجره ایمن تقریباً 15 وات به سمت توان بالاتر نسبت به AlSi10Mg استاندارد جابجا می‌شود. پارامترهای شروع توصیه شده: P=250W, v=1200 mm/s."
این نمونه بدون کد، قابلیت استدلال خودکار و زنجیره‌سازی ابزار را نشان می‌دهد.

5. تحلیل انتقادی و دیدگاه تخصصی

بینش اصلی

این مقاله درباره یک آلیاژ جدید یا یک حل‌کننده شبیه‌سازی بهتر نیست؛ بلکه درباره هماهنگ‌سازی ابزارهای تخصصی موجود و مجزا در یک گردش کار منسجم و خودمختار با استفاده از مدل‌های زبانی بزرگ به عنوان "چسب" است. نوآوری واقعی، کاربرد پارادایم عامل‌محور—الهام‌گرفته از چارچوب‌هایی مانند AutoGPT و TaskWeaver مایکروسافت—بر روی مسئله مشهوراً تکراری و چندرشته‌ای صلاحیت‌سنجی آلیاژ AM است. این مستقیماً به گلوگاه حمله می‌کند: زمان صرف‌شده توسط متخصص انسانی برای ترجمه بین زبان‌های حوزه‌های مختلف (مواد، شبیه‌سازی، ساخت).

جریان منطقی

منطق به‌طور قانع‌کننده‌ای متوالی است و فرآیند فکری یک متخصص را منعکس می‌کند اما خودکار شده است: ترکیب -> ترمودینامیک -> خواص -> فیزیک حوضچه مذاب -> معیارهای عیب -> نقشه فرآیند. استفاده از مدل‌های تحلیلی سبک‌وزن (Rosenthal) برای غربالگری سریع قبل از فراخوانی احتمالی CFD سنگین (OpenFOAM)، تخصیص هوشمند منابع را نشان می‌دهد. این رویکرد لایه‌بندی شده، یادآور استراتژی‌های مدل‌سازی چند-وفاداری مورد استفاده در بهینه‌سازی طراحی هوافضا است.

نقاط قوت و ضعف

نقاط قوت: سیستم به‌طور ملموسی حلقه بازخورد برای ارزیابی آلیاژ را تسریع می‌کند. با بهره‌گیری از رابط زبان طبیعی مدل‌های زبانی بزرگ، مانع را برای دانشمندان مواد که کمتر با نرم‌افزارهای شبیه‌سازی آشنا هستند، کاهش می‌دهد. تنظیم پویای وظیفه بر اساس خروجی ابزارها، گامی کلیدی به سمت خودمختاری قوی است.
نقاط ضعف بحرانی: مقاله وابستگی "ورودی بی‌ارزش، خروجی بی‌ارزش" به ابزارها و پایگاه‌های داده زیرین را نادیده می‌گیرد. دقت نقشه فرآیند نهایی کاملاً مشروط به وفاداری پایگاه داده CALPHAD برای ترکیبات جدید و محدودیت‌های مدل Eagar-Tsai (که جریان سیال و دینامیک کی‌هول را نادیده می‌گیرد) است. همان‌طور که در آثار بنیادی CFD مانند Khairallah و همکاران، Physical Review Applied (2016) ذکر شده است، جریان سیال می‌تواند هندسه حوضچه مذاب را به شدت تغییر دهد. عاملی که کورکورانه به یک مدل تحلیلی اعتماد کند، ممکن است با اطمینان اشتباه کند. علاوه بر این، ارزیابی به یک عیب واحد (LoF) محدود شده و ترک‌خوردگی، بالینگ و تنش پسماند را نادیده می‌گیرد—که یک ساده‌سازی بیش از حد قابل توجه از چالش‌های واقعی AM است.

بینش‌های عملی

برای پذیرش صنعتی، گام بعدی فقط افزودن عامل‌های بیشتر نیست؛ بلکه ساخت حلقه‌های بازخورد اعتبارسنجی است. چارچوب باید با داده‌های آزمایشی (مانند داده‌های پایش درون‌حالی از دوربین‌های حوضچه مذاب یا سی‌تی اسکن پس از ساخت) یکپارچه شود تا شبیه‌سازی‌های خود را کالیبره و تصحیح کند و به سمت یک مدل ترکیبی فیزیکی-هوش مصنوعی حرکت کند. شرکت‌ها باید این سیستم را ابتدا بر روی آلیاژهای به‌خوبی شناخته‌شده (مانند SS316L نشان‌داده‌شده) آزمایش کنند تا قابلیت اطمینان آن را قبل از اعتماد به آن برای مواد جدید، معیار قرار دهند. دیدگاه نهایی باید یک "مشاور AM خود-تصحیح‌کننده" باشد که پیش‌بینی‌های خود را با ساخت‌های واقعی مقایسه می‌کند و مدل‌های داخلی و توصیه‌های خود را به‌طور مداوم به‌روزرسانی می‌کند.

6. کاربردهای آینده و جهت‌گیری‌های پژوهشی

  • بهینه‌سازی چند-عیبی: گسترش چارچوب عامل‌محور برای ارزیابی همزمان عدم همجوشی، کی‌هولینگ و تنش پسماند با استفاده از شبیه‌سازی‌های چندفیزیکی کوپل شده برای یافتن یک پنجره فرآیند جهانی قوی.
  • طراحی معکوس و یادگیری فعال: عامل‌ها می‌توانند نه تنها آلیاژهای داده‌شده را ارزیابی کنند، بلکه به‌طور فعال گونه‌های ترکیبی جدیدی را برای بهینه‌سازی خواص (استحکام، مقاومت در برابر خوردگی) در حین حفظ قابلیت چاپ پیشنهاد دهند و یک سیستم کشف آلیاژ حلقه بسته تشکیل دهند.
  • یکپارچه‌سازی با دوقلوهای دیجیتال: اتصال سیستم عامل‌محور به دوقلوهای دیجیتال سطح کارخانه برای تنظیم پارامتر خاص-مکان و زمان-واقعی بر اساس داده‌های حسگر (اتمسفر، تغییرپذیری دسته پودر).
  • همکاری انسان-هوش مصنوعی: توسعه رابط‌هایی که در آن عامل استدلال خود را توضیح می‌دهد، منابع ابزار خود را استناد می‌کند (مانند "داده CALPHAD از پایگاه داده TCNI") و اجازه بازنویسی توسط متخصص را می‌دهد تا اعتماد و حل مسئله مشارکتی را تقویت کند.
  • استانداردسازی ابزارهای MCP برای علم مواد: یک تلاش گسترده جامعه برای ایجاد سرورهای استاندارد MCP برای ابزارهای رایج انفورماتیک مواد (مانند pymatgen، AFLOW، OQMD) می‌تواند دامنه و قدرت چنین سیستم‌های عامل‌محوری را به شدت افزایش دهد.

7. مراجع

  1. DebRoy, T. et al. Additive manufacturing of metallic components – Process, structure and properties. Progress in Materials Science 92, 112-224 (2018).
  2. Herzog, D. et al. Additive manufacturing of metals. Acta Materialia 117, 371-392 (2016).
  3. Khairallah, S. A. et al. Laser powder-bed fusion additive manufacturing: Physics of complex melt flow and formation mechanisms of pores, spatter, and denudation zones. Acta Materialia 108, 36-45 (2016).
  4. Olakanmi, E. O. et al. A review on selective laser sintering/melting (SLS/SLM) of aluminium alloy powders. Progress in Materials Science 74, 401-477 (2015).
  5. Eagar, T. W. & Tsai, N. S. Temperature fields produced by traveling distributed heat sources. Welding Journal 62, 346-s (1983).
  6. Rosenthal, D. The theory of moving sources of heat and its application to metal treatments. Transactions of the ASME 68, 849-866 (1946).
  7. Andersson, J.-O. et al. Thermo-Calc & DICTRA, computational tools for materials science. Calphad 26(2), 273-312 (2002).
  8. Zhu, J.-Y. et al. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV) (2017). (به عنوان نمونه‌ای از یک چارچوب که امکان تبدیل بین حوزه‌ها را فراهم می‌کند—شبیه به ترجمه ترکیب مواد به پارامترهای فرآیند—استناد شده است).
  9. OpenFOAM Foundation. OpenFOAM: The Open Source CFD Toolbox. https://www.openfoam.org (Accessed 2024).
  10. Microsoft. TaskWeaver: A Code-First Agent Framework. https://github.com/microsoft/TaskWeaver (2023).