การผลิตแบบเติมเนื้อมีศักยภาพที่จะทำให้สามารถผลิตชิ้นส่วนหรือผลิตภัณฑ์ตามความต้องการในด้านการผลิต วิศวกรรมยานยนต์ และแม้กระทั่งในอวกาศ อย่างไรก็ตาม เป็นการยากที่จะทราบล่วงหน้าว่าวัตถุที่พิมพ์ 3 มิติจะทำงานอย่างไรทั้งในปัจจุบันและอนาคต
การทดลองทางกายภาพ—โดยเฉพาะอย่างยิ่งสำหรับการผลิตสารเติมแต่งโลหะ (AM)—นั้นช้าและมีค่าใช้จ่ายสูง แม้แต่การสร้างแบบจำลองระบบเหล่านี้ด้วยการคำนวณก็ยังมีราคาแพงและใช้เวลานาน
ปัญหาคือหลายเฟสและเกี่ยวข้องกับการเปลี่ยนสถานะระหว่างแก๊ส ของเหลว ของแข็ง และเฟส การผลิตแบบเติมเนื้อยังมีมาตราส่วนเชิงพื้นที่และเชิงเวลาที่หลากหลาย สิ่งนี้นำไปสู่ช่องว่างขนาดใหญ่ระหว่างฟิสิกส์ที่เกิดขึ้นในขนาดเล็กและผลิตภัณฑ์จริง
วิศวกรซอฟต์แวร์ที่ Apple และศาสตราจารย์ด้านวิศวกรรมโยธาและสิ่งแวดล้อมแห่งมหาวิทยาลัยอิลลินอยส์ กำลังพยายามจัดการกับความท้าทายเหล่านี้โดยใช้ AI และการเรียนรู้ของเครื่อง พวกเขากำลังใช้การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมเพื่อทำนายผลลัพธ์ของกระบวนการที่ซับซ้อนที่เกี่ยวข้องกับการผลิตแบบเติมเนื้อ พวกเขาต้องการสร้างความสัมพันธ์ระหว่างการประมวลผล โครงสร้าง คุณสมบัติ และประสิทธิภาพ
โมเดลโครงข่ายประสาทเทียมในปัจจุบันของ AI ต้องการข้อมูลจำนวนมากสำหรับการฝึกอบรม แต่ในด้านการผลิตสารเติมแต่ง การได้ข้อมูลที่มีความเที่ยงตรงสูงเป็นเรื่องยาก เพื่อลดความจำเป็นในการใช้ข้อมูล นักวิจัยกำลังดำเนินการเกี่ยวกับเครือข่ายประสาทเทียมหรือ PINN ที่ได้รับข้อมูลทางฟิสิกส์
ด้วยการรวมกฎหมายการอนุรักษ์ที่แสดงเป็นสมการเชิงอนุพันธ์ย่อย เราสามารถลดปริมาณข้อมูลที่เราต้องการสำหรับการฝึกอบรมและเพิ่มขีดความสามารถของแบบจำลองปัจจุบัน
การใช้ซูเปอร์คอมพิวเตอร์ Frontera และ Stampede2 ที่ Texas Advanced Computing Center (อันดับที่ 10 และ #36 เร็วที่สุดในโลก ณ เดือนมิถุนายน พ.ศ. 2021) นักวิจัยได้จำลองพลวัตของการทดลองเปรียบเทียบสองแบบ: ตัวอย่างของการแข็งตัว 1D เมื่อโลหะที่เป็นของแข็งและของเหลว มีปฏิสัมพันธ์; และตัวอย่างการทดสอบการหลอมด้วยลำแสงเลเซอร์ที่นำมาจากชุดทดสอบมาตรฐานการผลิตสารเติมแต่ง NIST ปี 2018
ในกรณีการแข็งตัว 1D พวกเขาป้อนข้อมูลจากการทดลองลงในโครงข่ายประสาทเทียม ในการทดสอบการละลายของลำแสงเลเซอร์ พวกเขาใช้ข้อมูลการทดลองและผลลัพธ์จากการจำลองด้วยคอมพิวเตอร์ พวกเขายังได้พัฒนาวิธีการบังคับใช้อย่างเข้มงวดสำหรับเงื่อนไขขอบเขต ซึ่งพวกเขากล่าวว่ามีความสำคัญเท่าเทียมกันในการแก้ปัญหา
โมเดลโครงข่ายประสาทเทียมของทีมสามารถสร้างไดนามิกของการทดลองทั้งสองได้ ในกรณีของ NIST Challenge นั้นคาดการณ์อุณหภูมิและความยาวของสระหลอมเหลวของการทดสอบภายใน 10% ของผลลัพธ์จริง พวกเขาฝึกโมเดลด้วยข้อมูลจาก 1.2 ถึง 1.5 ไมโครวินาทีและทำการทำนายในเวลาต่อไปที่เพิ่มเป็น 2.0 ไมโครวินาที
นี่เป็นครั้งแรกที่มีการนำโครงข่ายประสาทเทียมมาใช้กับการสร้างแบบจำลองกระบวนการผลิตสารเติมแต่งโลหะ พวกเขาแสดงให้เห็นว่าแมชชีนเลิร์นนิงจากหลักฟิสิกส์ ซึ่งเป็นแพลตฟอร์มที่สมบูรณ์แบบในการรวมข้อมูลและฟิสิกส์เข้าด้วยกันอย่างราบรื่น มีศักยภาพสูงในด้านการผลิตสารเติมแต่ง
วิศวกรในอนาคตที่ใช้โครงข่ายประสาทเทียมเป็นเครื่องมือคาดการณ์ที่รวดเร็วเพื่อให้คำแนะนำในการเลือกพารามิเตอร์สำหรับกระบวนการผลิตสารเติมแต่ง เช่น ความเร็วของเลเซอร์หรือการกระจายอุณหภูมิ และเพื่อทำแผนที่ความสัมพันธ์ระหว่างพารามิเตอร์กระบวนการผลิตสารเติมแต่งและคุณสมบัติ ของผลิตภัณฑ์ขั้นสุดท้าย เช่น ความหยาบผิว
หากลูกค้าต้องการคุณสมบัติเฉพาะ คุณจะรู้ว่าสิ่งใดที่คุณควรใช้สำหรับพารามิเตอร์กระบวนการผลิตของคุณ
ในเดือนพฤษภาคม พ.ศ. 2021 นักวิจัยได้เสนอให้ปรับเปลี่ยนกรอบวิธีไฟไนต์เอลิเมนต์ที่มีอยู่ซึ่งใช้ในการผลิตสารเติมแต่ง เพื่อดูว่าเทคนิคของพวกเขาสามารถคาดการณ์ได้ดีกว่าเกณฑ์มาตรฐานที่มีอยู่
นักวิจัยแสดงให้เห็นว่าการจำลองที่ทำบน Frontera มีความลึกแตกต่างจากการทดลองในการทดลองน้อยกว่า 10.3% และจับรูปตัวบั้งที่สังเกตได้จากการทดลองทั่วไปซึ่งสะท้อนการทดลองการผลิตสารเติมแต่งล่าสุดจาก Argonne National Lab ที่เกี่ยวข้องกับเลเซอร์เคลื่อนที่ พื้นผิวด้านบนของโลหะ
การวิจัยของนักวิจัยได้รับประโยชน์จากการเติบโตอย่างต่อเนื่องของเทคโนโลยีคอมพิวเตอร์และการลงทุนของรัฐบาลกลางในด้านการประมวลผลประสิทธิภาพสูง
Frontera ไม่เพียงแต่เร่งความเร็วการศึกษาเช่นของพวกเขาเท่านั้น แต่ยังเปิดประตูสู่การศึกษาเกี่ยวกับเครื่องจักรและการเรียนรู้เชิงลึกในสาขาที่ข้อมูลการฝึกอบรมไม่สามารถเข้าถึงได้อย่างกว้างขวาง ขยายศักยภาพของการวิจัย AI
จุดที่น่าตื่นเต้นที่สุดคือเมื่อคุณเห็นว่าโมเดล AI ของคุณสามารถทำนายอนาคตได้โดยใช้ข้อมูลที่มีอยู่เพียงเล็กน้อย เป็นการเรียนรู้เกี่ยวกับวิวัฒนาการของกระบวนการ
ก่อนหน้านี้ นักวิจัยไม่ค่อยมั่นใจนักว่าจะสามารถทำนายได้อย่างแม่นยำเหนืออุณหภูมิ ความเร็ว และเรขาคณิตของส่วนต่อประสานระหว่างแก๊สกับโลหะหรือไม่ แต่กลับแสดงออกมาว่าหล่อได้ ข้อมูล การอนุมาน