1. Giriş ve Genel Bakış

Bu çalışma, Eklemeli İmalat (AM) için alaşımların değerlendirilmesini otomatikleştirmek ve hızlandırmak amacıyla Büyük Dil Modeli (LLM) destekli çok ajanlı sistemlerden yararlanan yeni bir çerçeve sunmaktadır. Geleneksel alaşım seçimi ve parametre optimizasyonu süreci, malzeme bilimi, termodinamik simülasyonlar (CALPHAD gibi) ve hesaplamalı akışkanlar dinamiği (CFD) konularında derin uzmanlık gerektiren karmaşık bir süreçtir. Önerilen ajan tabanlı sistem, Model Bağlam Protokolü (MCP) gibi protokoller aracılığıyla araç çağrılarını akıllı bir şekilde dağıtarak sıralı görevleri gerçekleştirir: termofiziksel özellikleri hesaplama, ergimiş bölge davranışını simüle etme ve özellikle kaynaşma eksikliği hataları için hatasız parametre pencerelerini belirlemek üzere proses haritaları oluşturma.

2. Temel Metodoloji ve Çerçeve

Çerçeve, uzmanlaşmış ajanların kullanıcı sorguları üzerinden akıl yürüttüğü, görev yörüngeleri planladığı ve ara sonuçlara dayalı olarak dinamik bir şekilde araç çağrılarını yürüttüğü çok ajanlı bir Büyük Dil Modeli mimarisi üzerine inşa edilmiştir.

2.1 Ajan Tabanlı Büyük Dil Modeli Sistemi Mimarisi

Sistem, üst düzey bir sorguyu (örneğin, "SS316L'yi LPBF için değerlendir") alt görevlere ayıran bir koordinatör ajan kullanır. Daha sonra uzman ajanlar belirli alanları ele alır: bir Termodinamik Ajanı CALPHAD yazılımıyla arayüz oluşturur, bir Proses Simülasyon Ajanı çözücüleri (Eagar-Tsai, Rosenthal veya OpenFOAM) çağırır ve bir Analiz Ajanı sonuçları yorumlayarak proses haritaları ve öneriler oluşturur. İletişim ve araç dağıtımı MCP kullanılarak standartlaştırılmıştır.

2.2 CALPHAD ve Termodinamik Araçlarla Entegrasyon

Belirli bir alaşım bileşimi için sistem, AM simülasyonu için kritik olan denge fazlarını ve sıcaklığa bağlı özellikleri hesaplamak üzere CALPHAD veritabanlarını otomatik olarak sorgular: ısıl iletkenlik ($k$), özgül ısı kapasitesi ($C_p$), yoğunluk ($\rho$) ve katılaşma/sıvılaşma sıcaklıkları. Bu, manuel veritabanı arama ve girdi hazırlama işleminin yerini alır.

2.3 Proses Simülasyonu ve Hata Tahmini İş Akışı

Malzeme özelliklerini kullanarak sistem, bir dizi ışın gücü ($P$) ve tarama hızı ($v$) parametresi üzerinde analitik (Eagar-Tsai) veya CFD (OpenFOAM) ergimiş bölge simülasyonlarını yürütür. Ortaya çıkan ergimiş bölge boyutları (genişlik $w$, derinlik $d$), kaynaşma eksikliği (LoF) kriterini hesaplamak için kullanılır. Hata eğilimli bölgeden "güvenli" parametre penceresini ayıran bir proses haritası oluşturulur.

3. Teknik Uygulama ve Detaylar

3.1 Matematiksel Temeller ve Ana Formüller

Hata tahmininin merkezinde ergimiş bölge modellemesi ve örtüşme kriterleri yatar. Hareketli bir nokta ısı kaynağı için Rosenthal çözümü hızlı bir sıcaklık alanı tahmini sağlar: $$T - T_0 = \frac{P}{2 \pi k R} \exp\left(-\frac{v(R+x)}{2\alpha}\right)$$ Burada $T_0$ ortam sıcaklığı, $R$ kaynaktan radyal mesafe, $v$ tarama hızı ve $\alpha$ ısıl yayılımdır. LoF tahmini için kritik bir koşul, ergimiş bölge derinliğinin katman kalınlığını ($t$) aşması gerektiğidir: $d \geq t$. Bitişik tarama izleri için, boşlukları önlemek amacıyla örtüşme oranı $\eta = \frac{w_o}{w}$ (burada $w_o$ örtüşme genişliğidir) yeterli olmalıdır, tipik olarak >~%20.

3.2 Deneysel Kurulum ve Vaka Çalışmaları

Makale, çerçeveyi iki yaygın AM alaşımı üzerinde gösterir: Paslanmaz Çelik 316L ve Inconel 718 (IN718). Her biri için ajan sistemine standart bileşimi ve birkaç önerilen varyantı (örneğin, ayarlanmış Nb içeriğine sahip IN718) değerlendirme görevi verildi. İş akışı şunları içeriyordu: 1) Sıvılaşma sıcaklığı ve $C_p$ için CALPHAD hesaplaması, 2) Bir $P-v$ matrisi için Eagar-Tsai simülasyonu (örneğin, $P$: 50-300 W, $v$: 200-1500 mm/s), 3) Ergimiş bölge geometrisinin hesaplanması ve 4) LoF sınırına sahip 2B bir proses haritasının oluşturulması.

3.3 Sonuçlar ve Grafik Açıklaması

Birincil çıktı bir Kaynaşma Eksikliği Proses Haritası'dır. Grafik, Y ekseninde Işın Gücü (W) ve X ekseninde Tarama Hızı (mm/s) ile bir 2B kontur grafiğidir. Grafiği iki bölgeye ayıran belirgin bir sınır eğrisi vardır. Sol alt bölge (düşük güç, yüksek hız) kırmızı ile gölgelenmiş ve "Kaynaşma Eksikliği Hata Bölgesi" olarak etiketlenmiştir; burada ergimiş bölge derinliği yetersizdir. Sağ üst bölge (daha yüksek güç, orta hız) yeşil ile gölgelenmiş ve "Kararlı Proses Penceresi" olarak etiketlenmiştir. IN718 varyantları için harita, sınır eğrisinde ölçülebilir bir kayma gösterdi; bu, bileşim değişikliklerinin optimal işleme parametrelerini değiştirdiğini gösteriyor. Ajan sistemi bu kaymayı başarıyla ölçtü ve karşılaştırmalı bir analiz sağladı.

Değerlendirme Süresi Azalması

~%70

Alaşım varyantı başına manuel kurulum ve analiz süresindeki tahmini azalma.

Analiz Edilen Parametre Kombinasyonları

>500

Hata sınırını haritalamak için otonom olarak simüle edilen tipik $P-v$ kombinasyonları.

4. Analiz Çerçevesi ve Örnek Vaka

Örnek: Yeni Bir Al-Si-Mg Alaşım Varyantının Değerlendirilmesi
Kullanıcı Sorgusu: "30 µm katman kalınlığında LPBF için %1 artırılmış Mg içeriğine sahip AlSi10Mg için kaynaşma eksikliği riskini değerlendirin."

  1. Görev Ayrıştırma: Koordinatör ajanı gerekli adımları belirler: özellikleri al, ergimiş bölgeyi simüle et, LoF kriterini kontrol et.
  2. Araç Yürütme:
    • Ajan, "Al-Si10-Mg1+" bileşimi ile MCP aracılığıyla CALPHAD aracını çağırır. $T_{liq}$, $k(T)$, $\rho$ değerlerini alır.
    • Ajan, bu özellikler ve bir $P$ (100-400W), $v$ (500-3000 mm/s) ızgarası ile analitik bir ergimiş bölge modeli (Eagar-Tsai) yapılandırır.
    • Her $(P, v)$ çifti için ergimiş bölge derinliği $d$ hesaplanır.
  3. Analiz ve Çıktı: Ajan, LoF riskini işaretlemek için $d < 30\mu m$ kuralını uygular. Bir proses haritası ve bir özet oluşturur: "Güvenli pencere, standart AlSi10Mg'ye kıyasla yaklaşık 15W daha yüksek güce kayar. Önerilen başlangıç parametreleri: P=250W, v=1200 mm/s."
Bu kod gerektirmeyen vaka, otomatik akıl yürütme ve araç zincirleme yeteneğini göstermektedir.

5. Eleştirel Analiz ve Uzman Perspektifi

Temel İçgörü

Bu makale yeni bir alaşım veya daha iyi bir simülasyon çözücü hakkında değildir; mevcut, izole uzman araçlarını Büyük Dil Modellerini "tutkal" olarak kullanarak uyumlu, otonom bir iş akışına dönüştürmekle ilgilidir. Gerçek yenilik, ajan paradigmasının—AutoGPT ve Microsoft'un TaskWeaver gibi çerçevelerden esinlenerek—AM alaşım nitelendirmesinin kötü şöhretli yinelemeli ve disiplinler arası sorununa uygulanmasıdır. Doğrudan darboğaza saldırır: insan uzmanının alan dilleri (malzemeler, simülasyon, imalat) arasında çeviri yaparak harcadığı zaman.

Mantıksal Akış

Mantık, bir uzmanın düşünce sürecini yansıtan ancak otomatikleştirilmiş şekilde zorlayıcı bir şekilde sıralıdır: Bileşim -> Termodinamik -> Özellikler -> Ergimiş Bölge Fiziği -> Hata Kriterleri -> Proses Haritası. Potansiyel olarak ağır CFD'yi (OpenFOAM) çağırmadan önce hızlı tarama için hafif analitik modellerin (Rosenthal) kullanılması, akıllı kaynak tahsisini gösterir. Bu kademeli yaklaşım, havacılık tasarım optimizasyonunda kullanılan çoklu doğruluklu modelleme stratejilerini anımsatır.

Güçlü ve Zayıf Yönler

Güçlü Yönler: Sistem, alaşım değerlendirmesi için geri bildirim döngüsünü gözle görülür şekilde hızlandırır. Büyük Dil Modellerinin doğal dil arayüzünden yararlanarak, simülasyon yazılımlarına daha az aşina olan malzeme bilimcileri için engeli düşürür. Araç çıktılarına dayalı dinamik görev ayarlaması, sağlam otonomiye doğru atılan kilit bir adımdır.
Eleştirel Zayıflıklar: Makale, altta yatan araçlara ve veritabanlarına olan "çöp giren, çöp çıkar" bağımlılığını üstünkörü geçer. Nihai proses haritasının doğruluğu, tamamen CALPHAD veritabanının yeni bileşimler için doğruluğuna ve Eagar-Tsai modelinin sınırlamalarına (akışkan akışını ve anahtar deliği dinamiklerini ihmal eder) bağlıdır. Khairallah ve diğerleri, Physical Review Applied (2016) gibi temel CFD çalışmalarında belirtildiği gibi, akışkan akışı ergimiş bölge geometrisini önemli ölçüde değiştirebilir. Analitik bir modele körü körüne güvenen bir ajan kendinden emin bir şekilde yanılabilir. Ayrıca, değerlendirme tek bir hatayla (LoF) sınırlıdır; çatlak, topaklanma ve kalıntı gerilim gibi gerçek dünya AM zorluklarının önemli bir basitleştirmesi olan diğer hataları göz ardı eder.

Uygulanabilir İçgörüler

Endüstriyel benimseme için bir sonraki adım sadece daha fazla ajan değil; doğrulama geri bildirim döngüleri oluşturmaktır. Çerçeve, simülasyonlarını kalibre etmek ve düzeltmek için deneysel verilerle (örneğin, ergimiş bölge kameraları veya yapım sonrası BT taramaları gibi yerinde izlemeden) entegre olmalı, böylece hibrit fiziksel-YZ modeline doğru ilerlemelidir. Şirketler, yeni malzemelerle güvenmeden önce güvenilirliğini kıyaslamak için bunu iyi karakterize edilmiş alaşımlar (gösterilen SS316L gibi) üzerinde pilot uygulamalıdır. Nihai vizyon, tahminlerini gerçek dünya yapılarıyla karşılaştıran ve iç modellerini ve önerilerini sürekli güncelleyen bir "Kendini Düzelten AM Danışmanı" olmalıdır.

6. Gelecek Uygulamalar ve Araştırma Yönleri

  • Çoklu Hata Optimizasyonu: Ajan çerçevesini, bağlantılı çoklu fizik simülasyonları kullanarak Kaynaşma Eksikliği, anahtar deliği oluşumu ve kalıntı gerilimi aynı anda değerlendirecek şekilde genişleterek sağlam bir küresel proses penceresi bulmak.
  • Ters Tasarım ve Aktif Öğrenme: Ajanlar sadece verilen alaşımları değerlendirmekle kalmayıp, aynı zamanda basılabilirliği korurken özellikleri (mukavemet, korozyon direnci) optimize etmek için yeni bileşim varyantları aktif olarak önerebilir, böylece kapalı döngü alaşım keşif sistemi oluşturabilir.
  • Dijital İkizlerle Entegrasyon: Ajan tabanlı sistemi fabrika düzeyindeki dijital ikizlere bağlayarak sensör verilerine (atmosfer, toz partisi değişkenliği) dayalı gerçek zamanlı, konuma özgü parametre ayarlaması yapmak.
  • İnsan-Yapay Zeka İşbirliği: Ajanın mantığını açıkladığı, araç kaynaklarını belirttiği (örneğin, "TCNI veritabanından CALPHAD verisi") ve uzman geçersiz kılmasına izin verdiği, böylece güven ve işbirlikçi problem çözme geliştiren arayüzler oluşturmak.
  • Malzeme Bilimi için MCP Araçlarının Standardizasyonu: Yaygın malzeme bilişimi araçları (örneğin, pymatgen, AFLOW, OQMD) için standartlaştırılmış MCP sunucuları oluşturmak üzere daha geniş bir topluluk çabası, bu tür ajan tabanlı sistemlerin erişimini ve gücünü büyük ölçüde artıracaktır.

7. Referanslar

  1. DebRoy, T. ve diğerleri. Additive manufacturing of metallic components – Process, structure and properties. Progress in Materials Science 92, 112-224 (2018).
  2. Herzog, D. ve diğerleri. Additive manufacturing of metals. Acta Materialia 117, 371-392 (2016).
  3. Khairallah, S. A. ve diğerleri. 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. ve diğerleri. 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. ve diğerleri. Thermo-Calc & DICTRA, computational tools for materials science. Calphad 26(2), 273-312 (2002).
  8. Zhu, J.-Y. ve diğerleri. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV) (2017). (Malzeme bileşimini proses parametrelerine çevirmeye benzer şekilde, alanlar arasında dönüşüm sağlayan bir çerçeve örneği olarak alıntılanmıştır).
  9. OpenFOAM Foundation. OpenFOAM: The Open Source CFD Toolbox. https://www.openfoam.org (Erişim 2024).
  10. Microsoft. TaskWeaver: A Code-First Agent Framework. https://github.com/microsoft/TaskWeaver (2023).