La fabrication additive a le potentiel de permettre de créer des pièces ou des produits à la demande dans la fabrication, l'ingénierie automobile et même dans l'espace. Cependant, c'est un défi de savoir à l'avance comment un objet imprimé en 3D fonctionnera, maintenant et à l'avenir.
Les expériences physiques, en particulier pour la fabrication additive métallique (AM), sont lentes et coûteuses. Même la modélisation informatique de ces systèmes est coûteuse et prend du temps.
Le problème est multiphasique et implique des gaz, des liquides, des solides et des transitions de phase entre eux. La fabrication additive possède également un large éventail d'échelles spatiales et temporelles. Cela a conduit à de grands écarts entre la physique qui se produit à petite échelle et le produit réel.
Un ingénieur logiciel chez Apple et un professeur de génie civil et environnemental à l'Université de l'Illinois tentent de relever ces défis en utilisant l'IA et l'apprentissage automatique. Ils utilisent l'apprentissage en profondeur et les réseaux de neurones pour prédire les résultats des processus complexes impliqués dans la fabrication additive, ils veulent établir la relation entre le traitement, la structure, les propriétés et les performances.
IA Les modèles de réseaux de neurones actuels nécessitent de grandes quantités de données pour l'entraînement. Mais dans le domaine de la fabrication additive, obtenir des données de haute fidélité est difficile, selon le chercheur. Pour réduire le besoin de données, les chercheurs poursuivent des réseaux neuronaux informés par la physique ou PINN.
En incorporant des lois de conservation, exprimées sous forme d'équations aux dérivées partielles, nous pouvons réduire la quantité de données dont nous avons besoin pour la formation et faire progresser la capacité de leurs modèles actuels
À l'aide des supercalculateurs Frontera et Stampede2 du Texas Advanced Computing Center (les 10 et 36 les plus rapides au monde, en juin 2021), les chercheurs ont simulé la dynamique de deux expériences de référence : un exemple de solidification 1D, lorsque des métaux solides et liquides interagir; et un exemple de tests de fusion par faisceau laser tirés de la série de tests de référence de fabrication additive 2018 du NIST.
Dans le cas de la solidification 1D, ils entrent des données d'expériences dans leur réseau de neurones. Dans les tests de fusion du faisceau laser, ils ont utilisé des données expérimentales ainsi que des résultats de simulations informatiques. Ils ont également développé une méthode d'application stricte des conditions aux limites, qui, selon eux, est tout aussi importante dans la résolution de problèmes.
Le modèle de réseau de neurones de l'équipe a pu recréer la dynamique des deux expériences. Dans le cas du NIST Challenge, il a prédit la température et la longueur du bain de fusion de l'expérience à moins de 10 % des résultats réels. Ils ont entraîné le modèle sur des données de 1.2 à 1.5 microseconde et ont fait des prédictions à des pas de temps supplémentaires allant jusqu'à 2.0 microsecondes.
C'est la première fois que les réseaux de neurones sont appliqués à la modélisation des processus de fabrication additive métallique. Ils ont montré que l'apprentissage automatique basé sur la physique, en tant que plate-forme parfaite pour intégrer de manière transparente les données et la physique, a un grand potentiel dans le domaine de la fabrication additive.
Ingénieurs à l'avenir utilisant les réseaux de neurones comme outils de prédiction rapide pour fournir des conseils sur la sélection des paramètres du processus de fabrication additive, par exemple la vitesse du laser ou la distribution de la température, et pour cartographier les relations entre les paramètres du processus de fabrication additive et les propriétés du produit final, comme sa rugosité de surface.
Si le client a besoin d'une propriété spécifique, vous saurez alors ce que vous devez utiliser pour les paramètres de votre processus de fabrication.
En mai 2021, des chercheurs ont proposé une modification du cadre existant de la méthode des éléments finis utilisé dans la fabrication additive pour voir si leur technique pouvait obtenir de meilleures prédictions par rapport aux références existantes.
Reflétant une récente expérience de fabrication additive du laboratoire national d'Argonne impliquant un laser en mouvement, les chercheurs ont montré que les simulations, effectuées sur Frontera, différaient en profondeur de celles de l'expérience de moins de 10.3 % et capturaient la forme commune de type chevron observée expérimentalement sur la surface supérieure en métal.
La recherche du chercheur bénéficie de la croissance continue des technologies informatiques et de l'investissement fédéral dans le calcul haute performance.
Frontera accélère non seulement les études comme la leur, mais ouvre la porte aux études de machine et d'apprentissage en profondeur dans des domaines où les données de formation ne sont pas largement disponibles, élargissant ainsi le potentiel de la recherche en IA.
Le point le plus excitant est lorsque vous voyez que votre modèle d'IA peut prédire l'avenir en utilisant seulement une petite quantité de données existantes. C'est en quelque sorte l'apprentissage de l'évolution du processus.
Auparavant, les chercheurs n'étaient pas très confiants quant à leur capacité à prédire avec une bonne précision la température, la vitesse et la géométrie de l'interface gaz-métal. Mais ils ont montré qu'ils sont capables de faire de belles données inférences.