לייצור תוספים יש פוטנציאל לאפשר ליצור חלקים או מוצרים לפי דרישה בייצור, הנדסת רכב ואפילו בחלל החיצון. עם זאת, זה אתגר לדעת מראש כיצד יבצע אובייקט מודפס בתלת מימד, בעתיד ובעתיד.
ניסויים פיזיים - במיוחד לייצור תוספי מתכת (AM) - הם איטיים ויקרים. אפילו דוגמנות מערכות אלו מבחינה חישובית היא יקרה וגוזלת זמן.
הבעיה היא רב-פאזית ומערבת גז, נוזלים, מוצקים ומעברי פאזה ביניהם. לייצור תוספים יש גם מגוון רחב של מאזניים מרחביים וזמניים. זה הוביל לפערים גדולים בין הפיזיקה שקורה בקנה מידה קטן לבין המוצר האמיתי.
מהנדס תוכנה באפל ופרופסור להנדסה אזרחית וסביבתית באוניברסיטת אילינוי, מנסים להתמודד עם אתגרים אלה באמצעות AI ולימוד מכונה. הם משתמשים בלמידה עמוקה ורשתות עצביות כדי לחזות את התוצאות של תהליכים מורכבים המעורבים בייצור תוספים, הם רוצים לבסס את הקשר בין עיבוד, מבנה, מאפיינים וביצועים.
AI דגמי רשת עצבים עכשוויים זקוקים לכמויות גדולות של נתונים לצורך אימונים. אך בתחום ייצור התוספים, השגת נתוני אמינות גבוהה היא קשה. כדי להפחית את הצורך בנתונים, החוקרים רודפים אחרי רשת עצבית או PINN עם מידע פיזיקלי.
על ידי שילוב חוקי שימור, המתבטאים במשוואות דיפרנציאליות חלקיות, אנו יכולים להפחית את כמות הנתונים הדרושים לנו לצורך הכשרה ולקדם את יכולת המודלים הנוכחיים שלהם.
באמצעות מחשבי העל Frontera ו- Stampede2 במרכז המחשוב המתקדם בטקסס (מספר 10 ו- # 36 המהיר ביותר בעולם, החל מיוני 2021), החוקרים הדמו את הדינמיקה של שני ניסויים רלוונטיים: דוגמה להתמצקות 1D, כאשר מתכות מוצקות ונוזליות. אינטראקציה; ודוגמה למבחני התכת קרני לייזר שנלקחו מסדרת בדיקות המידוד לייצור תוספי NIST לשנת 2018.
במקרה של התמצקות 1D הם מכניסים נתונים מניסויים לרשת העצבית שלהם. במבחני ההיתוך של קרן הלייזר הם השתמשו בנתוני ניסוי וכן בתוצאות מסימולציות ממוחשבות. הם פיתחו גם שיטת אכיפה קשה לתנאי גבול, אשר, לדבריהם, חשובה לא פחות בפתרון הבעיות.
מודל הרשת העצבית של הצוות הצליח לשחזר את הדינמיקה של שני הניסויים. במקרה של אתגר ה- NIST, הוא ניבא את הטמפרטורה ואורך בריכת ההיתוך של הניסוי בתוך 10% מהתוצאות בפועל. הם הכשירו את המודל בנתונים מ -1.2 עד 1.5 מיקרו-שניות וביצעו חיזויים בשלבי זמן נוספים עד 2.0 מיקרו-שניות.
זו הפעם הראשונה בה רשתות עצביות מוחלות על מודלים של ייצור תוספי מתכת. הם הראו שלמידת מכונה המועדת לפיזיקה, כפלטפורמה מושלמת לשילוב נתונים ופיזיקה בצורה חלקה, יש פוטנציאל גדול בתחום ייצור התוספים.
מהנדסים בעתיד משתמשים ברשתות עצביות ככלי ניבוי מהיר כדי לספק הנחיות לבחירת הפרמטרים לתהליך ייצור התוספים - למשל, מהירות הלייזר או חלוקת הטמפרטורה - ולמפות את הקשרים בין פרמטרים של תהליך ייצור התוסף לבין המאפיינים. של המוצר הסופי, כמו חספוס פני השטח שלו.
אם הלקוח דורש מאפיין ספציפי, תדע במה עליך להשתמש בפרמטרים של תהליך הייצור שלך.
במאי 2021 החוקרים הציעו לשנות את המסגרת הקיימת של שיטת האלמנטים הסופיים המשמשת בייצור תוספים כדי לראות אם הטכניקה שלהם יכולה להשיג חיזויים טובים יותר ביחס למדדים הקיימים.
החוקרים הראו כי ניסויים שהתבצעו לאחרונה על ייצור תוספים ממעבדה לאומית של ארגון, הכוללים לייזר נע, הראו כי סימולציות, שנערכו על פרונטרה, שונות לעומק מאלה שבניסוי בפחות מ -10.3% ותפסו את הצורה הנפוצה של סוג שברון שנצפתה בניסוי המשטח העליון של המתכת.
מחקרי החוקרים נהנים מהמשך הצמיחה של טכנולוגיות המחשוב וההשקעה הפדרלית במחשוב בעל ביצועים גבוהים.
פרונטרה לא רק מזרזת לימודים כמו אלה, היא פותחת פתח ללימודי מכונה ולמידה עמוקה בתחומים בהם נתוני הכשרה אינם זמינים באופן נרחב, ומרחיבים את הפוטנציאל של מחקר AI.
הנקודה המרגשת ביותר היא כאשר אתה רואה שמודל ה- AI שלך יכול לחזות את העתיד רק באמצעות כמות קטנה של נתונים קיימים. זה איכשהו ללמוד על התפתחות התהליך.
בעבר החוקרים לא היו בטוחים מאוד האם הם יצליחו לחזות בדיוק טוב על טמפרטורה, מהירות וגיאומטריה של ממשק הגז-מתכת. אבל הם הראו שהם מסוגלים לעשות נחמד נתונים מסקנות.