La fabricación aditiva tiene el potencial de permitir la creación de piezas o productos a pedido en la fabricación, la ingeniería automotriz e incluso en el espacio exterior. Sin embargo, es un desafío saber de antemano cómo funcionará un objeto impreso en 3D, ahora y en el futuro.
Los experimentos físicos, especialmente para la fabricación aditiva de metales (AM), son lentos y costosos. Incluso modelar estos sistemas computacionalmente es costoso y requiere mucho tiempo.
El problema es multifásico e involucra gases, líquidos, sólidos y transiciones de fase entre ellos. La fabricación aditiva también tiene una amplia gama de escalas espaciales y temporales. Esto ha generado grandes diferencias entre la física que ocurre a pequeña escala y el producto real.
Un ingeniero de software en Apple y un profesor de ingeniería civil y ambiental en la Universidad de Illinois, están tratando de abordar estos desafíos utilizando inteligencia artificial y aprendizaje automático. Están utilizando el aprendizaje profundo y las redes neuronales para predecir los resultados de los procesos complejos involucrados en la fabricación aditiva, quieren establecer la relación entre el procesamiento, la estructura, las propiedades y el rendimiento.
IA Los modelos de redes neuronales actuales necesitan grandes cantidades de datos para el entrenamiento. Pero en el campo de la fabricación aditiva, la obtención de datos de alta fidelidad es difícil, según el investigador. Para reducir la necesidad de datos, los investigadores están buscando redes neuronales informadas por la física o PINN.
Al incorporar leyes de conservación, expresadas como ecuaciones diferenciales parciales, podemos reducir la cantidad de datos que necesitamos para el entrenamiento y mejorar la capacidad de sus modelos actuales.
Usando las supercomputadoras Frontera y Stampede2 en el Centro de Computación Avanzada de Texas (las 10 y 36 más rápidas del mundo, a junio de 2021), los investigadores simularon la dinámica de dos experimentos de referencia: un ejemplo de solidificación 1D, cuando los metales sólidos y líquidos interactuar; y un ejemplo de pruebas de fusión de rayo láser tomadas de la serie de pruebas comparativas de fabricación aditiva del NIST 2018.
En el caso de solidificación 1D, ingresan datos de experimentos en su red neuronal. En las pruebas de fusión del rayo láser, utilizaron datos experimentales, así como resultados de simulaciones por computadora. También desarrollaron un método de aplicación estricta para las condiciones de contorno, que, según dicen, es igualmente importante en la resolución de problemas.
El modelo de red neuronal del equipo pudo recrear la dinámica de los dos experimentos. En el caso del NIST Challenge, predijo la temperatura y la duración del grupo de fusión del experimento dentro del 10% de los resultados reales. Entrenaron el modelo con datos de 1.2 a 1.5 microsegundos e hicieron predicciones en pasos de tiempo posteriores hasta 2.0 microsegundos.
Esta es la primera vez que las redes neuronales se han aplicado al modelado de procesos de fabricación aditiva de metales. Demostraron que el aprendizaje automático basado en la física, como plataforma perfecta para incorporar datos y física sin problemas, tiene un gran potencial en el campo de la fabricación aditiva.
Ingenieros en el futuro que utilicen redes neuronales como herramientas de predicción rápida para proporcionar orientación sobre la selección de parámetros para el proceso de fabricación aditiva, por ejemplo, la velocidad del láser o la distribución de temperatura, y para mapear las relaciones entre los parámetros del proceso de fabricación aditiva y las propiedades. del producto final, como su rugosidad superficial.
Si el cliente requiere una propiedad específica, entonces sabrá qué debe usar para los parámetros de su proceso de fabricación.
En mayo de 2021, los investigadores propusieron una modificación del marco del método de elementos finitos existente utilizado en la fabricación aditiva para ver si su técnica podía obtener mejores predicciones sobre los puntos de referencia existentes.
Reflejando un experimento reciente de fabricación aditiva del Laboratorio Nacional Argonne que involucra un láser en movimiento, los investigadores demostraron que las simulaciones, realizadas en Frontera, diferían en profundidad de las del experimento en menos del 10.3% y capturaron la forma de tipo cheurón común observada experimentalmente en la superficie superior de metal.
La investigación del investigador se beneficia del continuo crecimiento de las tecnologías informáticas y de la inversión federal en informática de alto rendimiento.
Frontera no solo acelera estudios como el suyo, sino que abre la puerta a estudios de aprendizaje profundo y de máquina en campos donde los datos de entrenamiento no están ampliamente disponibles, ampliando el potencial de la investigación de IA.
El punto más emocionante es cuando ve que su modelo de IA puede predecir el futuro utilizando solo una pequeña cantidad de datos existentes. De alguna manera está aprendiendo sobre la evolución del proceso.
Anteriormente, los investigadores no estaban muy seguros de si serían capaces de predecir con buena precisión la temperatura, la velocidad y la geometría de la interfaz gas-metal. Pero demostraron que son capaces de hacer cosas agradables. datos inferencias.