Pembuatan aditif berpotensi untuk memungkinkan seseorang membuat bahagian atau produk berdasarkan permintaan dalam pembuatan, kejuruteraan automotif, dan bahkan di luar angkasa. Walau bagaimanapun, adalah satu cabaran untuk mengetahui terlebih dahulu bagaimana prestasi objek dicetak 3D, sekarang dan masa depan.
Eksperimen fizikal - terutamanya untuk pembuatan bahan tambahan logam (AM) - lambat dan mahal. Malah pemodelan sistem ini secara komputasi adalah mahal dan memakan masa.
Masalahnya adalah pelbagai fasa dan melibatkan peralihan gas, cecair, pepejal, dan fasa di antara mereka. Pembuatan bahan tambahan juga mempunyai pelbagai skala spasial dan temporal. Ini telah menyebabkan jurang besar antara fizik yang berlaku pada skala kecil dan produk sebenar.
Seorang jurutera perisian di Apple dan seorang Profesor Kejuruteraan Awam dan Alam Sekitar di University of Illinois, berusaha menangani cabaran ini dengan menggunakan AI dan pembelajaran mesin. Mereka menggunakan pembelajaran mendalam dan jaringan saraf untuk meramalkan hasil proses kompleks yang terlibat dalam pembuatan aditif, mereka ingin menjalin hubungan antara pemprosesan, struktur, sifat, dan prestasi.
AI Model rangkaian saraf semasa memerlukan sejumlah besar data untuk latihan. Tetapi dalam bidang pembuatan aditif, memperoleh data kesetiaan tinggi sukar, menurut penyelidik. Untuk mengurangkan keperluan data, para penyelidik mengejar rangkaian saraf atau PINN yang diberi maklumat fizik.
Dengan memasukkan undang-undang pemuliharaan, dinyatakan sebagai persamaan pembezaan separa, kita dapat mengurangi jumlah data yang kita perlukan untuk latihan dan memajukan kemampuan model mereka saat ini
Dengan menggunakan superkomputer Frontera dan Stampede2 di Texas Advanced Computing Center (# 10 dan # 36 terpantas di dunia, pada Jun 2021), para penyelidik mensimulasikan dinamika dua eksperimen penanda aras: contoh pemejalan 1D, ketika logam pepejal dan cair berinteraksi; dan contoh ujian lebur sinar laser yang diambil dari Siri Ujian Penanda Aras Pembuatan Aditif NIST 2018.
Dalam kes pemejalan 1D, mereka memasukkan data dari eksperimen ke dalam rangkaian saraf mereka. Dalam ujian pencairan sinar laser, mereka menggunakan data eksperimen serta hasil dari simulasi komputer. Mereka juga mengembangkan kaedah penguatkuasaan yang keras untuk keadaan sempadan, yang menurut mereka sama pentingnya dalam menyelesaikan masalah.
Model rangkaian saraf pasukan dapat mencipta semula dinamika kedua eksperimen tersebut. Dalam kes NIST Challenge, ramalan ini meramalkan suhu dan panjang percubaan percubaan dalam 10% dari hasil sebenar. Mereka melatih model mengenai data dari 1.2 hingga 1.5 mikrodetik dan membuat ramalan pada waktu yang lebih jauh hingga 2.0 mikrodetik.
Ini adalah pertama kalinya rangkaian neural digunakan untuk pemodelan proses pembuatan bahan tambahan logam. Mereka menunjukkan bahawa pembelajaran mesin yang berdasarkan maklumat fizik, sebagai platform sempurna untuk menggabungkan data dan fizik dengan lancar, memiliki potensi besar dalam bidang pembuatan aditif.
Jurutera di masa depan menggunakan rangkaian saraf sebagai alat ramalan cepat untuk memberikan panduan mengenai pemilihan parameter untuk proses pembuatan aditif — misalnya, kecepatan laser atau pengedaran suhu — dan untuk memetakan hubungan antara parameter proses pembuatan aditif dan sifat produk akhir, seperti kekasaran permukaannya.
Sekiranya pelanggan memerlukan harta tanah tertentu, maka anda akan mengetahui apa yang harus anda gunakan untuk parameter proses pembuatan anda.
Pada bulan Mei 2021 para penyelidik mencadangkan pengubahsuaian kerangka kaedah elemen hingga yang ada yang digunakan dalam pembuatan aditif untuk melihat apakah teknik mereka dapat memperoleh ramalan yang lebih baik daripada tanda aras yang ada.
Mencerminkan eksperimen pembuatan aditif baru-baru ini dari Argonne National Lab yang melibatkan laser bergerak, para penyelidik menunjukkan bahawa simulasi, yang dilakukan pada Frontera, berbeza secara mendalam dengan yang dilakukan dalam eksperimen kurang dari 10.3% dan menangkap bentuk jenis chevron yang biasa diperhatikan permukaan atas logam.
Penyelidikan penyelidik mendapat manfaat daripada pertumbuhan berterusan teknologi pengkomputeran dan pelaburan persekutuan dalam pengkomputeran berprestasi tinggi.
Frontera tidak hanya mempercepat kajian seperti mereka, ia juga membuka pintu kepada kajian mesin dan pembelajaran mendalam dalam bidang di mana data latihan tidak tersedia secara meluas, memperluas potensi penyelidikan AI.
Perkara yang paling menggembirakan adalah apabila anda melihat bahawa model AI anda dapat meramalkan masa depan dengan hanya menggunakan sebilangan kecil data yang ada. Ia entah bagaimana belajar mengenai evolusi proses.
Sebelum ini, penyelidik tidak begitu yakin sama ada mereka akan dapat meramalkan dengan ketepatan yang baik terhadap suhu, halaju, dan geometri antara muka gas-logam. Tetapi mereka menunjukkan bahawa mereka dapat membuat cantik data kesimpulan.