Additive manufacturing heeft het potentieel om on-demand onderdelen of producten te maken in productie, autotechniek en zelfs in de ruimte. Het is echter een uitdaging om van tevoren te weten hoe een 3D-geprint object zal presteren, nu en in de toekomst.
Fysieke experimenten - vooral voor metaaladditieve fabricage (AM) - zijn traag en kostbaar. Zelfs het computationeel modelleren van deze systemen is duur en tijdrovend.
Het probleem is meerfasig en omvat gas, vloeistoffen, vaste stoffen en faseovergangen daartussen. Additive manufacturing heeft ook een breed scala aan ruimtelijke en temporele schalen. Dit heeft geleid tot grote hiaten tussen de fysica die op kleine schaal plaatsvindt en het echte product.
Een software-engineer bij Apple en een professor in civiele en milieutechniek aan de Universiteit van Illinois proberen deze uitdagingen aan te pakken met behulp van AI en machine learning. Ze gebruiken deep learning en neurale netwerken om de resultaten te voorspellen van complexe processen die betrokken zijn bij additive manufacturing, ze willen de relatie leggen tussen verwerking, structuur, eigenschappen en prestaties.
AI Huidige neurale netwerkmodellen hebben grote hoeveelheden data nodig voor training. Maar op het gebied van additive manufacturing is het verkrijgen van high-fidelity-gegevens moeilijk, aldus de onderzoeker. Om de behoefte aan gegevens te verminderen, streven onderzoekers naar fysica geïnformeerde neurale netwerken of PINN.
Door behoudswetten op te nemen, uitgedrukt als partiële differentiaalvergelijkingen, kunnen we de hoeveelheid gegevens die we nodig hebben voor training verminderen en de mogelijkheden van hun huidige modellen vergroten
Met behulp van de Frontera- en Stampede2-supercomputers in het Texas Advanced Computing Center (de #10 en #36 snelste ter wereld, vanaf juni 2021), simuleerden onderzoekers de dynamiek van twee benchmarkexperimenten: een voorbeeld van 1D-stolling, wanneer vaste en vloeibare metalen interactie; en een voorbeeld van laserstraalsmelttests uit de 2018 NIST Additive Manufacturing Benchmark Test Series.
In het geval van 1D-stolling voeren ze gegevens van experimenten in hun neurale netwerk in. Bij de laserstraalsmelttests gebruikten ze zowel experimentele gegevens als resultaten van computersimulaties. Ook ontwikkelden ze een harde handhavingsmethode voor randvoorwaarden, die volgens hen even belangrijk is bij het oplossen van problemen.
Het neurale netwerkmodel van het team was in staat om de dynamiek van de twee experimenten na te bootsen. In het geval van de NIST Challenge voorspelde het de temperatuur en de lengte van het smeltbad van het experiment binnen 10% van de werkelijke resultaten. Ze trainden het model op gegevens van 1.2 tot 1.5 microseconden en deden voorspellingen bij verdere tijdstappen tot 2.0 microseconden.
Dit is de eerste keer dat neurale netwerken zijn toegepast op de modellering van metaaladditieve fabricageprocessen. Ze toonden aan dat fysica-geïnformeerde machine learning, als een perfect platform om data en fysica naadloos te integreren, een groot potentieel heeft op het gebied van additieve productie.
Ingenieurs die in de toekomst neurale netwerken gebruiken als snelle voorspellingstools om begeleiding te bieden bij de parameterselectie voor het additieve fabricageproces, bijvoorbeeld de snelheid van de laser of de temperatuurverdeling, en om de relaties tussen additieve fabricageprocesparameters en de eigenschappen in kaart te brengen van het eindproduct, zoals de oppervlakteruwheid.
Als de klant een specifieke eigenschap nodig heeft, weet u wat u moet gebruiken voor de parameters van uw productieproces.
In mei 2021 stelden onderzoekers een wijziging voor van het bestaande eindige-elementenmethode-raamwerk dat wordt gebruikt in additive manufacturing om te zien of hun techniek betere voorspellingen zou kunnen krijgen ten opzichte van bestaande benchmarks.
In navolging van een recent additief fabricage-experiment van Argonne National Lab met een bewegende laser, toonden de onderzoekers aan dat simulaties, uitgevoerd op Frontera, in diepte verschilden van die in het experiment met minder dan 10.3% en de gebruikelijke experimenteel waargenomen chevron-achtige vorm vastlegden op het metalen bovenoppervlak.
Het onderzoek van de onderzoeker profiteert van de aanhoudende groei van computertechnologieën en federale investeringen in high-performance computing.
Frontera versnelt niet alleen studies zoals die van hen, het opent de deur naar machine- en deep learning-studies op gebieden waar trainingsgegevens niet algemeen beschikbaar zijn, waardoor het potentieel van AI-onderzoek wordt vergroot.
Het meest opwindende punt is wanneer je ziet dat je AI-model de toekomst kan voorspellen met slechts een kleine hoeveelheid bestaande gegevens. Het leert op de een of andere manier over de evolutie van het proces.
Voorheen waren onderzoekers er niet erg zeker van of ze in staat zouden zijn om met goede nauwkeurigheid temperatuur, snelheid en geometrie van het gas-metaal-interface te voorspellen. Maar ze hebben laten zien dat ze aardig kunnen maken gegevens gevolgtrekkingen.