적층 제조는 제조, 자동차 공학, 심지어 우주 공간에서도 주문형 부품이나 제품을 만들 수 있는 잠재력을 가지고 있습니다. 그러나 3D 프린팅 물체가 현재와 미래에 어떻게 작동할지 미리 아는 것은 어려운 일입니다.
특히 금속 적층 제조(AM)를 위한 물리적 실험은 느리고 비용이 많이 듭니다. 이러한 시스템을 계산적으로 모델링하는 것조차 비용과 시간이 많이 듭니다.
문제는 다상이며 기체, 액체, 고체 및 이들 사이의 상전이를 포함합니다. 적층 제조는 또한 광범위한 공간 및 시간 규모를 가지고 있습니다. 이로 인해 소규모에서 발생하는 물리학과 실제 제품 사이에 큰 격차가 생겼습니다.
Apple의 소프트웨어 엔지니어와 일리노이 대학교의 토목 및 환경 공학 교수는 AI와 기계 학습을 사용하여 이러한 문제를 해결하려고 노력하고 있습니다. 그들은 딥 러닝과 신경망을 사용하여 적층 제조와 관련된 복잡한 프로세스의 결과를 예측하고 프로세스, 구조, 속성 및 성능 간의 관계를 설정하려고 합니다.
AI 현재 신경망 모델은 교육을 위해 많은 양의 데이터가 필요합니다. 그러나 적층 가공 분야에서는 충실도가 높은 데이터를 얻는 것이 어렵다고 연구원은 말합니다. 데이터의 필요성을 줄이기 위해 연구자들은 물리 정보 신경망 또는 PINN을 추구하고 있습니다.
편미분 방정식으로 표현되는 보존 법칙을 통합함으로써 훈련에 필요한 데이터의 양을 줄이고 현재 모델의 기능을 향상시킬 수 있습니다.
연구원들은 Texas Advanced Computing Center(2년 10월 현재 세계에서 가장 빠른 36위 및 2021위)의 Frontera 및 Stampede1 슈퍼컴퓨터를 사용하여 두 가지 벤치마크 실험의 역학을 시뮬레이션했습니다. 2018 NIST Additive Manufacturing Benchmark Test Series에서 가져온 레이저 빔 용융 테스트의 예.
1D 응고의 경우 실험 데이터를 신경망에 입력합니다. 레이저 빔 용융 테스트에서 실험 데이터와 컴퓨터 시뮬레이션 결과를 사용했습니다. 그들은 또한 경계 조건에 대한 엄격한 시행 방법을 개발했는데, 이는 문제 해결에서 똑같이 중요하다고 그들은 말합니다.
팀의 신경망 모델은 두 실험의 역학을 재현할 수 있었습니다. NIST 챌린지의 경우 실제 결과의 10% 이내에서 실험의 온도와 용융풀 길이를 예측했다. 그들은 1.2~1.5마이크로초의 데이터에 대해 모델을 훈련하고 최대 2.0마이크로초의 추가 시간 단계에서 예측을 수행했습니다.
금속 적층 제조 공정 모델링에 신경망을 적용한 것은 이번이 처음이다. 그들은 데이터와 물리를 완벽하게 통합할 수 있는 완벽한 플랫폼으로서 물리 기반 기계 학습이 적층 제조 분야에서 큰 잠재력을 가지고 있음을 보여주었습니다.
미래의 엔지니어는 신경망을 빠른 예측 도구로 사용하여 적층 제조 공정의 매개변수 선택(예: 레이저 속도 또는 온도 분포)에 대한 지침을 제공하고 적층 제조 공정 매개변수와 최종 제품의 특성(예: 표면 거칠기) 간의 관계를 매핑합니다.
고객이 특정 속성을 요구하는 경우 제조 프로세스 매개변수에 무엇을 사용해야 하는지 알 수 있습니다.
2021년 XNUMX월 연구원들은 그들의 기술이 기존 벤치마크보다 더 나은 예측을 얻을 수 있는지 확인하기 위해 적층 제조에 사용되는 기존 유한 요소법 프레임워크의 수정을 제안했습니다.
연구원들은 움직이는 레이저를 포함하는 Argonne National Lab의 최근 적층 제조 실험을 미러링하여 Frontera에서 수행된 시뮬레이션이 실험에서와 깊이가 10.3% 미만 차이가 났으며 금속 상단 표면에서 실험적으로 관찰된 일반적인 갈매기형 모양을 캡처했음을 보여주었습니다.
연구원의 연구는 컴퓨팅 기술의 지속적인 성장과 고성능 컴퓨팅에 대한 연방 투자의 혜택을 받습니다.
Frontera는 그들의 연구와 같은 연구 속도를 높일 뿐만 아니라 훈련 데이터가 널리 사용되지 않는 분야에서 기계 및 딥 러닝 연구의 문을 열어 AI 연구의 잠재력을 넓혀줍니다.
가장 흥미로운 점은 AI 모델이 기존의 적은 양의 데이터만으로도 미래를 예측할 수 있다는 점입니다. 어떻게든 프로세스의 진화에 대해 배우고 있습니다.
이전에 연구원들은 가스-금속 계면의 온도, 속도 및 형상에 대해 좋은 정확도로 예측할 수 있는지 여부에 대해 확신이 없었습니다. 그러나 그들은 멋지게 만들 수 있다는 것을 보여주었습니다. 데이터 추론.