蘋果工程師用AI賦能“工業(yè)3D打印”，讓打印成品與設計圖差距大幅縮小

來源：智東西

近日，蘋果軟件工程師Zhu Zeliang Liu和 伊利諾伊大學土木與環(huán)境工程教授Jinhui Yan正在嘗試使用機器學習來預測增材制造過程。增材制造技術與3D打印技術所類似，但兩者仍有差異。根據(jù)GE additive的描述，3D打印一般采用噴墨式（inkjet-style），適合普通消費者的個性化需求。而增材制造的工藝比3D打印要工業(yè)化許多，在一些特定情況下能夠作為數(shù)控加工（CNC machining）、注射成型（injection molding）和熔模制造（investment casting）的替代方案，在工業(yè)制造中節(jié)省更多成本，更符合制造商的需要。

然而，提前預測增材制造過程是一個挑戰(zhàn)。

一、預測增材制造過程中受到物質轉化的影響，不容易被預測
伊利諾伊大學博士生Qiming Zhu說，“在預測增材制造過程時，需要將多個變量都考慮進去，例如氣體、液體和固體，以及它們之間的轉化”。同時，他也強調增材制造過程會受到廣泛的空間和時間尺度（spatial and temporal scales，打印物品的大小和花費的時間長度）的影響，小范圍的測試可能和增材制造的成品有巨大差距。

Zhu Zeliang Liu和 Jinhui Yan組成了團隊，嘗試使用機器學習來解決這些問題。他們嘗試用深度學習（deep learning）和神經網(wǎng)絡（neural network）來預測增材制造過程中的每一步步驟。

二、團隊嘗試利用物理信息神經網(wǎng)絡來構建預測模型
當前主流的神經網(wǎng)絡模型都需要大量數(shù)據(jù)來進行模擬訓練。但在增材制造領域，獲得高保真的數(shù)據(jù)是一件很困難的事情。Zhu Zeliang Liu表示，為了減少對數(shù)據(jù)的需求，團隊嘗試研究“物理信息神經網(wǎng)絡（physics informed neural networking）”或 PINN。

“通過合并守恒定律（incorporating conservation laws），并用偏微分方程表示（partial differential equations），我們可以減少訓練所需的數(shù)據(jù)量并提高我們當前模型的能力?！彼f。

三、該模型的預測結果準確度高達九成以上
該團隊模擬了兩個基準實驗的動態(tài)（simulated the dynamics of two benchmark experiments）：一個是當固體和液態(tài)金屬相互作用的1D凝固（1D solidification）實驗；另一個是激光束熔化試驗（laser beam melting tests），選自2018年NIST增材制造基準測試系列（2018 NIST Additive Manufacturing Benchmark Test Series）。

在 1D 凝固案例中，他們將實驗數(shù)據(jù)輸入到他們的神經網(wǎng)絡模型中。在激光束熔化測試中，他們使用了實驗數(shù)據(jù)以及計算機模擬的結果。

該團隊的神經網(wǎng)絡模型能夠重現(xiàn)這兩個實驗的動態(tài)。在 NIST Challenge 的情況下，它預測了實驗中的溫度（temperature）和熔池長度（melt pool length），誤差在實際結果的 10% 以內。這個結果顯示該模型已經具備預測增材制造過程的能力。

結論：預測增材制造過程的技術，在工業(yè)制造領域有廣泛的前景
在2021年一月，該團隊已經在Computational Mechanics上發(fā)表了他們的研究成果。Zhu Zeliang Liu說，“這是神經網(wǎng)絡首次應用于金屬增材制造過程的建模（metal additive manufacturing process modeling），顯示出基于物理的機器學習（physics-informed machine learning）在增材制造領域具有巨大潛力?！?br />
增材制造能夠讓人們在制造業(yè)（manufacturing）、汽車工程（automotive engineering）甚至外太空（outer space）中按需生產零件或產品，減少材料浪費的可能性。Zhu Zeliang Liu認為，未來工程師將使用神經網(wǎng)絡作為快速預測工具，在預測增材制造過程時，提供參數(shù)設置的建議。