1. Pengenalan & Gambaran Keseluruhan

Kajian ini membentangkan rangka kerja baharu yang memanfaatkan sistem multi-agen berasaskan Model Bahasa Besar (LLM) untuk mengautomasikan dan mempercepatkan penilaian aloi untuk Pembuatan Tambahan (AM). Proses tradisional pemilihan aloi dan pengoptimuman parameter adalah kompleks, memerlukan kepakaran mendalam dalam sains bahan, simulasi termodinamik (seperti CALPHAD), dan dinamik bendalir pengiraan (CFD). Sistem agen yang dicadangkan ini dengan bijak menghantar panggilan alat melalui protokol seperti Model Context Protocol (MCP) untuk melaksanakan tugas berurutan: mengira sifat termofizik, mensimulasikan tingkah laku kolam lebur, dan menjana peta proses untuk mengenal pasti tetingkap parameter bebas kecacatan, khususnya untuk kecacatan kekurangan peleburan.

2. Metodologi Teras & Rangka Kerja

Rangka kerja ini dibina di atas seni bina LLM multi-agen di mana agen khusus membuat penaakulan melalui permintaan pengguna, merancang trajektori tugas, dan melaksanakan panggilan alat secara dinamik berdasarkan keputusan perantaraan.

2.1 Seni Bina Sistem LLM Agen

Sistem ini menggunakan agen penyelaras yang menguraikan pertanyaan peringkat tinggi (contohnya, "Nilai SS316L untuk LPBF") kepada subtugas. Agen pakar kemudian mengendalikan domain tertentu: Agen Termodinamik berantaramuka dengan perisian CALPHAD, Agen Simulasi Proses memanggil penyelesai (Eagar-Tsai, Rosenthal, atau OpenFOAM), dan Agen Analisis mentafsir keputusan untuk menjana peta proses dan cadangan. Komunikasi dan penghantaran alat distandardkan menggunakan MCP.

2.2 Integrasi dengan Alatan CALPHAD & Termodinamik

Untuk komposisi aloi tertentu, sistem ini secara automatik membuat pertanyaan kepada pangkalan data CALPHAD untuk mengira fasa keseimbangan dan sifat bergantung suhu yang kritikal untuk simulasi AM: kekonduksian terma ($k$), muatan haba tentu ($C_p$), ketumpatan ($\rho$), dan suhu solidus/liquidus. Ini menggantikan carian pangkalan data manual dan penyediaan input.

2.3 Saluran Paip Simulasi Proses & Ramalan Kecacatan

Menggunakan sifat bahan, sistem ini melaksanakan simulasi kolam lebur analitikal (Eagar-Tsai) atau CFD (OpenFOAM) merentasi julat parameter kuasa sinar ($P$) dan halaju imbasan ($v$). Dimensi kolam lebur yang terhasil (lebar $w$, kedalaman $d$) digunakan untuk mengira kriteria kekurangan peleburan (LoF). Peta proses dijana, membezakan tetingkap parameter "selamat" dari kawasan berisiko kecacatan.

3. Pelaksanaan Teknikal & Butiran

3.1 Asas Matematik & Formula Utama

Teras ramalan kecacatan terletak pada pemodelan kolam lebur dan kriteria pertindihan. Penyelesaian Rosenthal untuk sumber haba titik bergerak memberikan anggaran pantas medan suhu: $$T - T_0 = \frac{P}{2 \pi k R} \exp\left(-\frac{v(R+x)}{2\alpha}\right)$$ di mana $T_0$ ialah suhu ambien, $R$ ialah jarak jejari dari sumber, $v$ ialah kelajuan imbasan, dan $\alpha$ ialah resapan terma. Untuk ramalan LoF, keadaan kritikal ialah kedalaman kolam lebur mesti melebihi ketebalan lapisan ($t$): $d \geq t$. Untuk trek imbasan bersebelahan, nisbah pertindihan $\eta = \frac{w_o}{w}$ (di mana $w_o$ ialah lebar pertindihan) mesti mencukupi, biasanya >~20%, untuk mengelakkan lompang.

3.2 Persediaan Eksperimen & Kajian Kes

Kertas kerja ini menunjukkan rangka kerja pada dua aloi AM biasa: Keluli Tahan Karat 316L dan Inconel 718 (IN718). Untuk setiap satu, sistem agen diberikan tugas untuk menilai komposisi standard dan beberapa varian yang dicadangkan (contohnya, IN718 dengan kandungan Nb yang diselaraskan). Aliran kerja melibatkan: 1) Pengiraan CALPHAD suhu liquidus dan $C_p$, 2) Simulasi Eagar-Tsai untuk matriks $P-v$ (contohnya, $P$: 50-300 W, $v$: 200-1500 mm/s), 3) Pengiraan geometri kolam lebur, dan 4) Penjanaan peta proses 2D dengan sempadan LoF.

3.3 Keputusan & Huraian Carta

Output utama ialah Peta Proses Kekurangan Peleburan. Carta ini ialah plot kontur 2D dengan Kuasa Sinar (W) pada paksi-Y dan Halaju Imbasan (mm/s) pada paksi-X. Lengkung sempadan yang berbeza memisahkan carta kepada dua kawasan. Kawasan kiri bawah (kuasa rendah, kelajuan tinggi) dilorekkan dengan warna merah dan dilabelkan "Kawasan Kecacatan Kekurangan Peleburan," di mana kedalaman kolam lebur tidak mencukupi. Kawasan kanan atas (kuasa lebih tinggi, kelajuan sederhana) dilorekkan dengan warna hijau dan dilabelkan "Tetingkap Proses Stabil." Untuk varian IN718, peta menunjukkan anjakan yang boleh diukur pada lengkung sempadan, menunjukkan bahawa perubahan komposisi mengubah parameter pemprosesan optimum. Sistem agen berjaya mengukur anjakan ini dan memberikan analisis perbandingan.

Pengurangan Masa Penilaian

~70%

Anggaran pengurangan dalam masa persediaan & analisis manual bagi setiap varian aloi.

Gabungan Parameter Dianalisis

>500

Gabungan tipikal $P-v$ yang disimulasikan secara autonomi untuk memetakan sempadan kecacatan.

4. Rangka Kerja Analisis & Contoh Kes

Contoh: Menilai Varian Aloi Al-Si-Mg Baharu
Permintaan Pengguna: "Nilai risiko kekurangan peleburan untuk AlSi10Mg dengan kandungan Mg meningkat 1% untuk LPBF pada ketebalan lapisan 30 µm."

  1. Penguraian Tugas: Agen penyelaras mengenal pasti langkah yang diperlukan: dapatkan sifat, simulasi kolam lebur, semak kriteria LoF.
  2. Pelaksanaan Alat:
    • Agen memanggil alat CALPHAD melalui MCP dengan komposisi "Al-Si10-Mg1+". Menerima $T_{liq}$, $k(T)$, $\rho$.
    • Agen mengkonfigurasi model kolam lebur analitikal (Eagar-Tsai) dengan sifat ini dan grid $P$ (100-400W), $v$ (500-3000 mm/s).
    • Untuk setiap pasangan $(P, v)$, kedalaman kolam lebur $d$ dikira.
  3. Analisis & Output: Agen menggunakan peraturan $d < 30\mu m$ untuk menandakan risiko LoF. Ia menjana peta proses dan ringkasan: "Tetingkap selamat beralih ke kuasa lebih tinggi kira-kira 15W berbanding AlSi10Mg standard. Parameter permulaan yang disyorkan: P=250W, v=1200 mm/s."
Kes tanpa kod ini menggambarkan keupayaan penaakulan automatik dan rantai alat.

5. Analisis Kritikal & Perspektif Pakar

Pandangan Teras

Kertas kerja ini bukan mengenai aloi baharu atau penyelesai simulasi yang lebih baik; ia mengenai mengorkestrasikan alat pakar sedia ada yang terpisah ke dalam aliran kerja autonomi yang kohesif menggunakan LLM sebagai "perekat." Inovasi sebenar ialah aplikasi paradigma agen—diilhamkan oleh rangka kerja seperti AutoGPT dan TaskWeaver Microsoft—kepada masalah kelayakan aloi AM yang terkenal dengan sifat lelaran dan multidisiplin. Ia secara langsung menyerang kesesakan: masa pakar manusia yang dihabiskan untuk menterjemah antara bahasa domain (bahan, simulasi, pembuatan).

Aliran Logik

Logiknya berurutan secara meyakinkan, mencerminkan proses pemikiran pakar tetapi diautomasikan: Komposisi -> Termodinamik -> Sifat -> Fizik Kolam Lebur -> Kriteria Kecacatan -> Peta Proses. Penggunaan model analitikal ringan (Rosenthal) untuk saringan pantas sebelum mungkin memanggil CFD berat (OpenFOAM) menunjukkan peruntukan sumber yang bijak. Pendekatan berperingkat ini mengingatkan strategi pemodelan pelbagai ketepatan yang digunakan dalam pengoptimuman reka bentuk aeroangkasa.

Kekuatan & Kelemahan

Kekuatan: Sistem ini secara nyata mempercepatkan gelung maklum balas untuk penilaian aloi. Dengan memanfaatkan antaramuka bahasa semula jadi LLM, ia menurunkan halangan untuk saintis bahan yang kurang biasa dengan perisian simulasi. Pelarasan tugas dinamik berdasarkan output alat adalah langkah utama ke arah autonomi yang teguh.
Kelemahan Kritikal: Kertas kerja ini mengabaikan kebergantungan "sampah masuk, sampah keluar" pada alat dan pangkalan data asas. Ketepatan peta proses akhir adalah sepenuhnya bergantung pada kesetiaan pangkalan data CALPHAD untuk komposisi baharu dan batasan model Eagar-Tsai (yang mengabaikan aliran bendalir dan dinamik lubang kunci). Seperti yang dinyatakan dalam karya CFD seminal seperti Khairallah et al., Physical Review Applied (2016), aliran bendalir boleh mengubah geometri kolam lebur secara drastik. Seorang agen yang mempercayai model analitikal secara membuta tuli boleh menjadi salah dengan yakin. Tambahan pula, penilaian adalah terhad kepada satu kecacatan (LoF), mengabaikan keretakan, pembentukan bebola, dan tegasan baki—suatu penyederhanaan ketara cabaran AM dunia sebenar.

Pandangan Boleh Tindak

Untuk penerimaan industri, langkah seterusnya bukan sekadar lebih banyak agen; ia adalah membina gelung maklum balas pengesahan. Rangka kerja mesti berintegrasi dengan data eksperimen (contohnya, dari pemantauan in-situ seperti kamera kolam lebur atau imbasan CT pasca-binaan) untuk menentukur dan membetulkan simulasi, bergerak ke arah model fizikal-AI hibrid. Syarikat harus melaksanakan ini pada aloi yang dicirikan dengan baik (seperti SS316L yang ditunjukkan) untuk menanda aras kebolehpercayaannya sebelum mempercayainya dengan bahan baharu. Visi terakhir haruslah "Penasihat AM Pembetulan Kendiri" yang membandingkan ramalannya dengan binaan dunia sebenar dan sentiasa mengemas kini model dalaman dan cadangannya.

6. Aplikasi Masa Depan & Hala Tuju Penyelidikan

  • Pengoptimuman Pelbagai Kecacatan: Meluaskan rangka kerja agen untuk menilai Kekurangan Peleburan, pembentukan lubang kunci, dan tegasan baki secara serentak menggunakan simulasi pelbagai fizik berganding untuk mencari tetingkap proses global yang teguh.
  • Reka Bentuk Songsang & Pembelajaran Aktif: Agen bukan sahaja boleh menilai aloi yang diberikan tetapi secara aktif mencadangkan varian komposisi baharu untuk mengoptimumkan sifat (kekuatan, ketahanan kakisan) sambil mengekalkan kebolehcetakan, membentuk sistem penemuan aloi gelung tertutup.
  • Integrasi dengan Kembar Digital: Menyambungkan sistem agen kepada kembar digital peringkat kilang untuk pelarasan parameter khusus tapak masa nyata berdasarkan data sensor (atmosfera, kebolehubahan kelompok serbuk).
  • Kolaborasi Manusia-AI: Membangunkan antaramuka di mana agen menerangkan penaakulannya, menyebut sumber alatnya (contohnya, "Data CALPHAD dari pangkalan data TCNI"), dan membenarkan penggantian pakar, memupuk kepercayaan dan penyelesaian masalah kolaboratif.
  • Pensahihan Alat MCP untuk Sains Bahan: Usaha komuniti yang lebih luas untuk mencipta pelayan MCP yang diseragamkan untuk alat informatik bahan biasa (contohnya, pymatgen, AFLOW, OQMD) akan meningkatkan capaian dan kuasa sistem agen sedemikian dengan ketara.

7. Rujukan

  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). (Disebut sebagai contoh rangka kerja yang membolehkan transformasi antara domain—serupa dengan menterjemah komposisi bahan kepada parameter proses).
  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).