Аддитивное производство может позволить создавать детали или продукты по запросу в производстве, автомобилестроении и даже в космосе. Однако сложно заранее знать, как будет работать 3D-печатный объект сейчас и в будущем.
Физические эксперименты - особенно в области аддитивного производства металлов (AM) - медленные и дорогостоящие. Даже моделирование этих систем с помощью вычислений является дорогостоящим и трудоемким.
Проблема является многофазной и связана с газом, жидкостями, твердыми телами и фазовыми переходами между ними. Аддитивное производство также имеет широкий диапазон пространственных и временных масштабов. Это привело к большим расхождениям между физикой малых масштабов и реальным продуктом.
Инженер-программист Apple и профессор гражданской и экологической инженерии в Университете Иллинойса пытаются решить эти проблемы с помощью искусственного интеллекта и машинного обучения. Они используют глубокое обучение и нейронные сети для прогнозирования результатов сложных процессов, связанных с аддитивным производством, они хотят установить взаимосвязь между обработкой, структурой, свойствами и производительностью.
AI Современные модели нейронных сетей нуждаются в больших объемах данных для обучения. Но, по словам исследователя, в области аддитивного производства получить точные данные сложно. Чтобы уменьшить потребность в данных, исследователи используют нейронные сети, основанные на физике, или PINN.
Путем включения законов сохранения, выраженных в виде уравнений в частных производных, мы можем сократить объем данных, необходимых для обучения, и расширить возможности их текущих моделей.
Используя суперкомпьютеры Frontera и Stampede2 в Техасском вычислительном центре (10-е и 36-е места в мире по скорости на июнь 2021 г.), исследователи смоделировали динамику двух эталонных экспериментов: пример одномерного затвердевания, когда твердые и жидкие металлы взаимодействовать; и пример тестов на плавление лазерным лучом, взятых из серии тестов NIST Additive Manufacturing Benchmark Test Series 1 года.
В случае одномерного затвердевания они вводят данные экспериментов в свою нейронную сеть. В испытаниях на плавление лазерным лучом они использовали экспериментальные данные, а также результаты компьютерного моделирования. Они также разработали метод жесткого применения граничных условий, который, по их словам, не менее важен при решении проблем.
Модель нейронной сети команды смогла воссоздать динамику двух экспериментов. В случае NIST Challenge он предсказал температуру и длину плавильной ванны эксперимента в пределах 10% от фактических результатов. Они обучили модель на данных от 1.2 до 1.5 микросекунд и сделали прогнозы на дальнейших временных шагах до 2.0 микросекунд.
Это первый раз, когда нейронные сети были применены для моделирования процессов аддитивного производства металлов. Они показали, что машинное обучение на основе физики как идеальная платформа для беспрепятственного объединения данных и физики имеет большой потенциал в области аддитивного производства.
Инженеры будущего, использующие нейронные сети в качестве инструментов быстрого прогнозирования, чтобы предоставить рекомендации по выбору параметров для процесса аддитивного производства, например, скорость лазера или распределение температуры, а также для отображения взаимосвязей между параметрами процесса аддитивного производства и свойствами. конечного продукта, например, шероховатость его поверхности.
Если клиенту требуется определенное свойство, тогда вы будете знать, что следует использовать для параметров вашего производственного процесса.
В мае 2021 года исследователи предложили модификацию существующей структуры метода конечных элементов, используемой в аддитивном производстве, чтобы увидеть, может ли их методика давать более точные прогнозы по сравнению с существующими тестами.
Отражая недавний эксперимент по аддитивному производству из Аргоннской национальной лаборатории с использованием движущегося лазера, исследователи показали, что симуляции, выполненные на Frontera, отличались по глубине от экспериментов менее чем на 10.3% и захватили общую экспериментально наблюдаемую форму шевронного типа на металлическая верхняя поверхность.
Исследования исследователя извлекают выгоду из непрерывного роста вычислительных технологий и федеральных инвестиций в высокопроизводительные вычисления.
Frontera не только ускоряет исследования, подобные их, но и открывает двери для исследований в области машинного и глубокого обучения в тех областях, где данные обучения не являются широко доступными, расширяя потенциал исследований в области искусственного интеллекта.
Самый захватывающий момент - это когда вы видите, что ваша модель ИИ может предсказывать будущее, используя лишь небольшой объем существующих данных. Это каким-то образом узнать об эволюции процесса.
Раньше исследователи не были очень уверены в том, смогут ли они с хорошей точностью предсказать температуру, скорость и геометрию границы раздела газ-металл. Но они показали, что умеют делать хорошие данным выводы.