Die additive Fertigung hat das Potenzial, Teile oder Produkte nach Bedarf in der Fertigung, im Automobilbau und sogar im Weltraum herzustellen. Es ist jedoch eine Herausforderung, im Voraus zu wissen, wie sich ein 3D-gedrucktes Objekt jetzt und in Zukunft verhält.
Physikalische Experimente – insbesondere für die additive Metallfertigung (AM) – sind langsam und kostspielig. Selbst die rechnerische Modellierung dieser Systeme ist teuer und zeitaufwendig.
Das Problem ist mehrphasig und umfasst Gas, Flüssigkeiten, Feststoffe und Phasenübergänge zwischen ihnen. Die additive Fertigung hat auch eine breite Palette von räumlichen und zeitlichen Skalen. Dies hat zu großen Lücken zwischen der Physik im kleinen Maßstab und dem realen Produkt geführt.
Ein Software-Ingenieur bei Apple und ein Professor für Bau- und Umweltingenieurwesen an der University of Illinois versuchen, diese Herausforderungen mithilfe von KI und maschinellem Lernen anzugehen. Sie nutzen Deep Learning und neuronale Netze, um die Ergebnisse komplexer Prozesse der additiven Fertigung vorherzusagen, sie wollen die Beziehung zwischen Verarbeitung, Struktur, Eigenschaften und Leistung herstellen.
KI Aktuelle neuronale Netzmodelle benötigen für das Training große Datenmengen. Im Bereich der additiven Fertigung ist es laut dem Forscher jedoch schwierig, High-Fidelity-Daten zu erhalten. Um den Datenbedarf zu reduzieren, verfolgen die Forscher physikalisch informierte neuronale Netzwerke oder PINN.
Durch die Einbeziehung von Erhaltungssätzen, ausgedrückt als partielle Differentialgleichungen, können wir die für das Training benötigte Datenmenge reduzieren und die Leistungsfähigkeit ihrer aktuellen Modelle verbessern current
Mit den Supercomputern Frontera und Stampede2 am Texas Advanced Computing Center (den schnellsten 10 und 36 der Welt, Stand Juni 2021) simulierten die Forscher die Dynamik von zwei Benchmark-Experimenten: ein Beispiel für 1D-Erstarrung, wenn feste und flüssige Metalle interagieren; und ein Beispiel für Laserstrahlschmelztests aus der 2018 NIST Additive Manufacturing Benchmark Test Series.
Im Fall der 1D-Erstarrung geben sie Daten aus Experimenten in ihr neuronales Netzwerk ein. Bei den Laserstrahlschmelztests nutzten sie experimentelle Daten sowie Ergebnisse aus Computersimulationen. Sie entwickelten auch eine harte Durchsetzungsmethode für Randbedingungen, die ihrer Meinung nach bei der Problemlösung ebenso wichtig ist.
Das neuronale Netzmodell des Teams konnte die Dynamik der beiden Experimente nachbilden. Im Fall der NIST Challenge wurden die Temperatur und die Schmelzbadlänge des Experiments innerhalb von 10 % der tatsächlichen Ergebnisse vorhergesagt. Sie trainierten das Modell mit Daten von 1.2 bis 1.5 Mikrosekunden und machten Vorhersagen zu weiteren Zeitschritten bis zu 2.0 Mikrosekunden.
Dies ist das erste Mal, dass neuronale Netze auf die Modellierung von additiven Fertigungsprozessen in Metall angewendet werden. Sie zeigten, dass physikbasiertes maschinelles Lernen als perfekte Plattform zur nahtlosen Integration von Daten und Physik großes Potenzial im Bereich der additiven Fertigung hat.
Ingenieure, die in Zukunft neuronale Netze als schnelle Vorhersagewerkzeuge verwenden, um bei der Parameterauswahl für den additiven Fertigungsprozess – etwa der Geschwindigkeit des Lasers oder der Temperaturverteilung – Orientierung zu geben und die Zusammenhänge zwischen den Parametern des additiven Fertigungsprozesses und den Eigenschaften abzubilden des Endprodukts, wie beispielsweise seine Oberflächenrauheit.
Wenn der Kunde eine bestimmte Eigenschaft benötigt, wissen Sie, was Sie für Ihre Herstellungsprozessparameter verwenden sollten.
Im Mai 2021 schlugen Forscher eine Modifikation des bestehenden Rahmens der Finite-Elemente-Methode vor, der in der additiven Fertigung verwendet wird, um zu sehen, ob ihre Technik bessere Vorhersagen über bestehende Benchmarks liefern könnte.
In Anlehnung an ein kürzlich vom Argonne National Lab durchgeführtes Experiment zur additiven Fertigung mit einem sich bewegenden Laser zeigten die Forscher, dass sich die auf Frontera durchgeführten Simulationen in der Tiefe von denen im Experiment um weniger als 10.3 % unterschieden und die übliche experimentell beobachtete Chevron-Form auf die Metalloberseite.
Die Forschung des Forschers profitiert vom anhaltenden Wachstum der Computertechnologien und den Investitionen des Bundes in Hochleistungsrechnen.
Frontera beschleunigt nicht nur Studien wie die ihren, es öffnet auch die Tür zu Machine- und Deep-Learning-Studien in Bereichen, in denen Trainingsdaten nicht allgemein verfügbar sind, und erweitert das Potenzial der KI-Forschung.
Der aufregendste Punkt ist, wenn Sie sehen, dass Ihr KI-Modell die Zukunft mit nur einer kleinen Menge vorhandener Daten vorhersagen kann. Es ist irgendwie etwas über die Entwicklung des Prozesses zu lernen.
Bisher waren sich die Forscher nicht sehr sicher, ob sie Temperatur, Geschwindigkeit und Geometrie der Gas-Metall-Grenzfläche mit guter Genauigkeit vorhersagen können. Aber sie haben gezeigt, dass sie schön machen können technische Daten Schlussfolgerungen.