如何使用人工智能預測3D打印過程

來源：江蘇激光聯盟


導讀：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)。

人們普遍認為，金屬增材制造 (AM) 可以直接從數字模型打印具有復雜幾何形狀的金屬，而不受傳統(tǒng)制造路線的設計限制，因此可以徹底改變機械、航空航天和生物醫(yī)學行業(yè)。在過去的十年中，金屬增材制造市場一直在顯著增長。然而，與整個制造市場相比，由于缺乏可靠的工藝-結構-性能關系，金屬增材制造在工業(yè)上的應用并沒有達到預期的潛力。在過去幾年中，預測計算模型與原位和非原位測量和監(jiān)測相結合，在增強對過程-結構-性能關系的理解方面發(fā)揮了不可或缺的作用。

在不同尺度和保真度的各種計算模型中，熱流體過程模擬不僅是理解金屬增材制造物理的重要工具，而且還是推導出過程-結構-性能關系的先鋒。金屬增材制造過程本質上是一個多尺度、多物理場問題，涉及氣、液、固相之間的快速、復雜和耦合的質/流/熱交換，具有大的密度比和復雜的界面現象。當前的數值模擬工具通常采用數學模型，將 Navier-Stokes 方程和傳熱方程結合起來，以捕捉制造過程中溫度和熔池動力學的演變。幾十年來，制造界一直采用基于空間離散化（例如，有限差分、有限體積、有限元和無網格方法）和時間步長的計算方法來直接求解這些數學模型或其弱形式。

通過利用來自傳感器、實驗和高保真模擬的數據，機器學習 (ML) 和人工智能 (AI) 有可能加速金屬 AM 工藝熱流體建模的突破。一般來說，ML 側重于數據的算法建模和基于觀察的標簽預測，重點是對分類和回歸任務進行準確預測。現代深度學習方法在從情感分析到化學預測再到材料設計等領域取得了巨大成功�，F代 ML 技術（尤其是深度學習）取得重大成功的第一個原因是海量數據（大數據）的可用性。第二個原因是硬件和軟件的進步減輕了許多技術負擔，包括高性能計算機、圖形處理單元（GPU）、快速大規(guī)模優(yōu)化方案、新的最優(yōu)性保證以及許多用戶友好的開放式源包，例如 Tensorflow、PyTorch、Theano 和 Caffe。

然而，使用深度學習進行 AM 過程建模仍然具有挑戰(zhàn)性。主要挑戰(zhàn)來自缺乏大型標記數據集，因為 AM 過程的實驗測量或高保真模擬數據的獲取成本很高，這使得基于大數據的 ML/AI 算法不可行。

為了充分利用機器學習對金屬增材制造的力量，同時減輕對“大數據”的依賴，來自伊利諾伊大學厄巴納-香檳分校的Qiming Zhu和美國ANSYS公司的Zeliang Liu 以及 Jinhui Yan教授提出了一個物理信息神經網絡 (PINN) 框架，該框架融合了數據和第一物理原理，包括動量守恒定律、質量守恒定律和能量，進入神經網絡以告知學習過程。

▲圖1. 金屬 AM 的全連接深度神經網絡

使用德克薩斯高級計算中心的 Frontera 和 Stampede2 超級計算機（截至 2021 年 6 月，世界上最快的 #10 和 #36），Zhu 和 Yan 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。

▲圖2. 1D固化工藝

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。

該研究成果于 2021 年 1 月發(fā)表在 Computational Mechanics 上。

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。

Zhu認為，未來工程師可以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，并繪制增材制造工藝參數與參數之間的關系。最終產品的特性，例如其表面粗糙度。

▲圖3. 當熔池形狀沒有變化時，在準穩(wěn)態(tài) (2 ms) 下，比較 FEM、PINN 和案例 B (195 W, 0.8 m/s) 的溫度和熔池流體動力學的預測。左：FEM 預測。中：PINN 預測。右：基于實驗輻射溫度的熱視頻幀

本文來源：Qiming Zhu et al, Machine learning for metal additive manufacturing: predicting temperature and melt pool fluid dynamics using physics-informed neural networks, Computational Mechanics (2021). DOI: 10.1007/s00466-020-01952-9