使用AI預測3D打印過程，在增材制造領域具有巨大潛力

來源：賢集網

增材制造有可能讓人們在制造業(yè)、汽車工程甚至外太空中按需制造零件或產品。然而，提前了解 3D 打印對象現在和未來的表現是一個挑戰(zhàn)。物理實驗：尤其是金屬增材制造 (AM)既緩慢又昂貴。即使以計算方式對這些系統進行建模也是昂貴且耗時的。

問題是多相，涉及氣體、液體、固體以及它們之間的相變，伊利諾伊大學研究人員說，增材制造還具有廣泛的空間和時間尺度。這導致小規(guī)模的物理與實際產品之間存在巨大差距。

△在準穩(wěn)態(tài)（2 微秒）下，由物理信息神經網絡 (PINN) 預測的熔池形狀以及溫度和熔池流速，適用于情況 A、B 和 C

△用于金屬增材制造的全連接深度神經網絡

研究人員正在嘗試使用機器學習解決這些挑戰(zhàn)。他們正在使用深度學習和神經網絡來預測增材制造所涉及的復雜過程的結果。我們想建立加工、結構、性能和性能之間的關系，研究人員說。

當前的神經網絡模型需要大量數據進行訓練。但在增材制造領域，獲得高保真數據很困難。為了減少對數據的需求，研究人員正在研究“物理信息神經網絡”或 PINN。

通過結合以偏微分方程表示的守恒定律，我們可以減少訓練所需的數據量并提高我們當前模型的能力，他說。

使用德克薩斯高級計算中心的 Frontera 和 Stampede2 超級計算機，研究人員模擬了兩個基準實驗的動力學：一維凝固的例子，當固體和液態(tài)金屬相互作用；以及來自 2018 NIST 增材制造基準測試系列的激光束熔化測試示例。

在 1D 凝固案例中，他們將實驗數據輸入到他們的神經網絡中。在激光束熔化測試中，他們使用了實驗數據以及計算機模擬的結果。他們還開發(fā)了一種邊界條件的“硬”執(zhí)行方法，他們說，這在解決問題中同樣重要。

該團隊的神經網絡模型能夠重現這兩個實驗的動態(tài)。在 NIST Challenge 的情況下，它預測了實驗的溫度和熔池長度，誤差在實際結果的 10% 以內。他們在 1.2 到 1.5 微秒的數據上訓練模型，并在高達 2.0 微秒的進一步時間步長上進行預測。

這是神經網絡首次應用于金屬增材制造過程建模，研究人員說，我們展示了基于物理的機器學習作為無縫整合數據和物理的完美平臺，在增材制造領域具有巨大潛力。

研究人員認為，未來工程師將使用神經網絡作為快速預測工具，為增材制造過程的參數選擇（例如激光速度或溫度分布）提供指導，并繪制增材制造過程之間的關系參數和最終產品的特性，例如其表面粗糙度。

如果您的客戶需要特定的屬性，那么您就會知道應該為您的制造工藝參數使用什么。

在2021年5月在線發(fā)表的應用力學與工程計算方法中的另一篇論文中，研究人員提出了對增材制造中使用的現有有限元方法框架的修改，以查看他們的技術是否可以比現有基準獲得更好的預測。

研究人員反映了阿貢國家實驗室最近一項涉及移動激光器的增材制造實驗，表明在 Frontera 上進行的模擬與實驗中的模擬深度相差不到 10.3%，并捕獲了常見的實驗觀察到的人字形形狀金屬頂面。

研究受益于計算技術的持續(xù)增長和聯邦對高性能計算的投資。

Frontera 不僅加快了像他們這樣的研究，還為訓練數據不廣泛可用的領域的機器和深度學習研究打開了大門，擴大了人工智能研究的潛力。

最令人興奮的一點是，當您看到您的模型僅使用少量現有數據就可以預測未來時，朱說，它以某種方式了解過程的演變。

以前，我對我們是否能夠準確地預測氣體-金屬界面的溫度、速度和幾何形狀不太有信心。我們表明我們能夠做出很好的數據推斷。