A manufatura aditiva tem o potencial de permitir a criação de peças ou produtos sob demanda na manufatura, engenharia automotiva e até mesmo no espaço sideral. No entanto, é um desafio saber com antecedência qual será o desempenho de um objeto impresso em 3D, agora e no futuro.
Experimentos físicos - especialmente para manufatura aditiva de metal (AM) - são lentos e caros. Até mesmo modelar esses sistemas computacionalmente é caro e demorado.
O problema é multifásico e envolve gás, líquidos, sólidos e transições de fase entre eles. A manufatura aditiva também possui uma ampla gama de escalas espaciais e temporais. Isso levou a grandes lacunas entre a física que acontece em pequena escala e o produto real.
Um engenheiro de software da Apple e um professor de Engenharia Civil e Ambiental da Universidade de Illinois estão tentando enfrentar esses desafios usando IA e aprendizado de máquina. Eles estão usando aprendizado profundo e redes neurais para prever os resultados de processos complexos envolvidos na manufatura aditiva. Eles querem estabelecer a relação entre processamento, estrutura, propriedades e desempenho.
Os modelos de rede neural atuais precisam de grandes quantidades de dados para treinamento. Já no campo da manufatura aditiva, obter dados de alta fidelidade é difícil, segundo o pesquisador. Para reduzir a necessidade de dados, os pesquisadores estão buscando uma rede neural informada pela física ou PINN.
Ao incorporar leis de conservação, expressas como equações diferenciais parciais, podemos reduzir a quantidade de dados de que precisamos para treinar e aumentar a capacidade de seus modelos atuais
Usando os supercomputadores Frontera e Stampede2 no Texas Advanced Computing Center (os # 10 e # 36 mais rápidos do mundo, em junho de 2021), os pesquisadores simularam a dinâmica de dois experimentos benchmark: um exemplo de solidificação 1D, quando metais sólidos e líquidos interagir; e um exemplo de testes de fusão de feixe de laser retirados da série de testes de referência de fabricação de aditivos do NIST 2018.
No caso de solidificação 1D, eles inserem dados de experimentos em sua rede neural. Nos testes de fusão do feixe de laser, eles usaram dados experimentais, bem como resultados de simulações de computador. Eles também desenvolveram um método rígido de imposição de condições de contorno, que, dizem eles, é igualmente importante na resolução de problemas.
O modelo de rede neural da equipe foi capaz de recriar a dinâmica dos dois experimentos. No caso do Desafio NIST, ele previu a temperatura e o comprimento da poça de fusão do experimento dentro de 10% dos resultados reais. Eles treinaram o modelo em dados de 1.2 a 1.5 microssegundos e fizeram previsões em etapas posteriores de até 2.0 microssegundos.
Esta é a primeira vez que as redes neurais foram aplicadas à modelagem de processos de manufatura aditiva de metal. Eles mostraram que o aprendizado de máquina baseado em física, como uma plataforma perfeita para incorporar dados e física perfeitamente, tem grande potencial no campo da manufatura aditiva.
Engenheiros no futuro usarão redes neurais como ferramentas de previsão rápida para fornecer orientação sobre a seleção de parâmetros para o processo de manufatura aditiva - por exemplo, a velocidade do laser ou a distribuição de temperatura - e para mapear as relações entre os parâmetros do processo de manufatura aditiva e as propriedades do produto final, como a rugosidade de sua superfície.
Se o cliente exigir uma propriedade específica, você saberá o que deve ser usado para os parâmetros do seu processo de fabricação.
Em maio de 2021, os pesquisadores propuseram uma modificação da estrutura do método de elemento finito existente usada na manufatura aditiva para ver se sua técnica poderia obter melhores previsões sobre os benchmarks existentes.
Espelhando um recente experimento de manufatura aditiva do Argonne National Lab envolvendo um laser em movimento, os pesquisadores mostraram que as simulações, realizadas em Frontera, diferiam em profundidade daquelas no experimento em menos de 10.3% e capturavam a forma comum do tipo chevron observada experimentalmente em a superfície superior de metal.
A pesquisa do pesquisador se beneficia do crescimento contínuo das tecnologias de computação e do investimento federal em computação de alto desempenho.
O Frontera não apenas acelera estudos como o deles, mas também abre as portas para estudos de máquina e aprendizado profundo em áreas onde os dados de treinamento não estão amplamente disponíveis, ampliando o potencial da pesquisa em IA.
O ponto mais emocionante é quando você vê que seu modelo de IA pode prever o futuro usando apenas uma pequena quantidade de dados existentes. É de alguma forma aprender sobre a evolução do processo.
Anteriormente, os pesquisadores não estavam muito confiantes se seriam capazes de prever com boa precisão sobre temperatura, velocidade e geometria da interface gás-metal. Mas eles mostraram que são capazes de fazer dados, inferências.