Manufaktur aditif memiliki potensi untuk memungkinkan seseorang membuat suku cadang atau produk sesuai permintaan di bidang manufaktur, teknik otomotif, dan bahkan di luar angkasa. Namun, merupakan tantangan untuk mengetahui terlebih dahulu bagaimana kinerja objek cetak 3D, sekarang dan di masa depan.
Eksperimen fisik—khususnya untuk manufaktur aditif logam (AM)—lambat dan mahal. Bahkan pemodelan sistem ini secara komputasi mahal dan memakan waktu.
Masalahnya adalah multi-fase dan melibatkan gas, cairan, padatan, dan transisi fase di antara mereka. Manufaktur aditif juga memiliki berbagai skala spasial dan temporal. Hal ini menyebabkan kesenjangan besar antara fisika yang terjadi pada skala kecil dan produk nyata.
Seorang insinyur perangkat lunak di Apple dan Profesor Teknik Sipil dan Lingkungan di Universitas Illinois, mencoba mengatasi tantangan ini menggunakan AI dan pembelajaran mesin. Mereka menggunakan pembelajaran mendalam dan jaringan saraf untuk memprediksi hasil dari proses kompleks yang terlibat dalam pembuatan aditif, mereka ingin membangun hubungan antara pemrosesan, struktur, properti, dan kinerja.
AI Model jaringan saraf saat ini membutuhkan data dalam jumlah besar untuk pelatihan. Tetapi di bidang manufaktur aditif, memperoleh data dengan ketelitian tinggi itu sulit, menurut peneliti. Untuk mengurangi kebutuhan data, para peneliti mengejar jaringan saraf informasi fisika atau PINN.
Dengan memasukkan hukum kekekalan, yang dinyatakan sebagai persamaan diferensial parsial, kita dapat mengurangi jumlah data yang kita butuhkan untuk melatih dan meningkatkan kemampuan model mereka saat ini.
Menggunakan superkomputer Frontera dan Stampede2 di Texas Advanced Computing Center (tercepat #10 dan #36 di dunia, per Juni 2021), Para peneliti mensimulasikan dinamika dua eksperimen benchmark: contoh solidifikasi 1D, ketika logam padat dan cair berinteraksi; dan contoh uji peleburan sinar laser yang diambil dari Seri Uji Tolok Ukur Manufaktur Aditif NIST 2018.
Dalam kasus solidifikasi 1D, mereka memasukkan data dari eksperimen ke dalam jaringan saraf mereka. Dalam tes peleburan sinar laser, mereka menggunakan data eksperimen serta hasil dari simulasi komputer. Mereka juga mengembangkan metode penegakan keras untuk kondisi batas, yang, menurut mereka, sama pentingnya dalam pemecahan masalah.
Model jaringan saraf tim mampu menciptakan kembali dinamika dari dua percobaan. Dalam kasus Tantangan NIST, ia memperkirakan suhu dan panjang kolam lelehan eksperimen dalam 10% dari hasil aktual. Mereka melatih model pada data dari 1.2 hingga 1.5 mikrodetik dan membuat prediksi pada langkah waktu selanjutnya hingga 2.0 mikrodetik.
Ini adalah pertama kalinya jaringan saraf diterapkan pada pemodelan proses manufaktur aditif logam. Mereka menunjukkan bahwa pembelajaran mesin yang diinformasikan fisika, sebagai platform sempurna untuk menggabungkan data dan fisika dengan mulus, memiliki potensi besar di bidang manufaktur aditif.
Insinyur di masa depan menggunakan jaringan saraf sebagai alat prediksi cepat untuk memberikan panduan tentang pemilihan parameter untuk proses pembuatan aditif—misalnya, kecepatan laser atau distribusi suhu—dan untuk memetakan hubungan antara parameter proses pembuatan aditif dan properti produk akhir, seperti kekasaran permukaannya.
Jika klien memerlukan properti tertentu, maka Anda akan tahu apa yang harus Anda gunakan untuk parameter proses manufaktur Anda.
Pada Mei 2021, para peneliti mengusulkan modifikasi kerangka metode elemen hingga yang ada yang digunakan dalam pembuatan aditif untuk melihat apakah teknik mereka bisa mendapatkan prediksi yang lebih baik atas tolok ukur yang ada.
Mencerminkan eksperimen manufaktur aditif baru-baru ini dari Argonne National Lab yang melibatkan laser bergerak, para peneliti menunjukkan bahwa simulasi, yang dilakukan di Frontera, berbeda kedalamannya dari yang ada dalam eksperimen kurang dari 10.3% dan menangkap bentuk tipe chevron yang umum diamati secara eksperimental pada permukaan atas logam.
Penelitian peneliti mendapat manfaat dari pertumbuhan teknologi komputasi yang berkelanjutan dan investasi federal dalam komputasi kinerja tinggi.
Frontera tidak hanya mempercepat studi seperti mereka, tetapi juga membuka pintu ke studi mesin dan pembelajaran mendalam di bidang di mana data pelatihan tidak tersedia secara luas, memperluas potensi penelitian AI.
Hal yang paling menarik adalah ketika Anda melihat bahwa model AI Anda dapat memprediksi masa depan hanya dengan menggunakan sejumlah kecil data yang ada. Ini entah bagaimana belajar tentang evolusi proses.
Sebelumnya, para peneliti tidak terlalu yakin apakah mereka dapat memprediksi dengan akurasi yang baik atas suhu, kecepatan, dan geometri antarmuka gas-logam. Tapi mereka menunjukkan bahwa mereka bisa berbuat baik data kesimpulan.