Katmanlı imalat, imalatta, otomotiv mühendisliğinde ve hatta uzayda talep üzerine parça veya ürün yaratılmasına olanak sağlama potansiyeline sahiptir. Ancak 3D baskılı bir nesnenin şimdi ve gelecekte nasıl performans göstereceğini önceden bilmek zor bir iştir.
Özellikle metal katkılı imalat (AM) için fiziksel deneyler yavaş ve maliyetlidir. Bu sistemlerin hesaplamalı olarak modellenmesi bile pahalı ve zaman alıcıdır.
Sorun çok fazlıdır ve gaz, sıvı, katı ve bunlar arasındaki faz geçişlerini içermektedir. Katmanlı imalat aynı zamanda geniş bir mekansal ve zamansal ölçek aralığına sahiptir. Bu durum, küçük ölçekte gerçekleşen fizik ile gerçek ürün arasında büyük boşlukların oluşmasına yol açmıştır.
Apple'dan bir yazılım mühendisi ve Illinois Üniversitesi'nden İnşaat ve Çevre Mühendisliği Profesörü, yapay zeka ve makine öğrenimini kullanarak bu zorlukları çözmeye çalışıyor. Katmanlı üretimde yer alan karmaşık süreçlerin sonuçlarını tahmin etmek için derin öğrenmeyi ve sinir ağlarını kullanıyorlar; işleme, yapı, özellikler ve performans arasındaki ilişkiyi kurmak istiyorlar.
Yapay Zeka Mevcut sinir ağı modellerinin eğitim için büyük miktarda veriye ihtiyacı vardır. Ancak araştırmacıya göre katmanlı imalat alanında yüksek kaliteli veriler elde etmek zordur. Veri ihtiyacını azaltmak için araştırmacılar fizik bilgili sinir ağlarını veya PINN'i takip ediyor.
Kısmi diferansiyel denklemler olarak ifade edilen korunum yasalarını dahil ederek, eğitim için ihtiyaç duyduğumuz veri miktarını azaltabilir ve mevcut modellerin kapasitesini geliştirebiliriz.
Araştırmacılar, Texas Gelişmiş Bilgi İşlem Merkezi'ndeki Frontera ve Stampede2 süper bilgisayarlarını (Haziran 10 itibarıyla dünyanın en hızlı 36. ve 2021. bilgisayarı) kullanarak iki kıyaslama deneyinin dinamiklerini simüle ettiler: katı ve sıvı metallerin bir araya geldiği 1 boyutlu katılaşma örneği etkileşime girmek; ve 2018 NIST Eklemeli Üretim Karşılaştırma Test Serisinden alınan lazer ışını erime testlerinin bir örneği.
1 boyutlu katılaşma durumunda, deneylerden elde edilen verileri sinir ağlarına giriyorlar. Lazer ışını erime testlerinde deneysel verilerin yanı sıra bilgisayar simülasyonlarından elde edilen sonuçları da kullandılar. Ayrıca, problem çözmede eşit derecede önemli olduğunu söyledikleri sınır koşulları için sıkı bir uygulama yöntemi geliştirdiler.
Ekibin sinir ağı modeli, iki deneyin dinamiklerini yeniden yaratmayı başardı. NIST Challenge durumunda, deneyin sıcaklığını ve erime havuzu uzunluğunu gerçek sonuçların %10'u dahilinde tahmin etti. Modeli 1.2 ila 1.5 mikrosaniye arasındaki veriler üzerinde eğittiler ve 2.0 mikrosaniyeye kadar daha ileri zaman adımlarında tahminler yaptılar.
Bu, sinir ağlarının metal katmanlı imalat süreci modellemesine ilk kez uygulanmasıdır. Verileri ve fiziği kusursuz bir şekilde birleştirmek için mükemmel bir platform olan fizik bilgili makine öğreniminin, katmanlı imalat alanında büyük potansiyele sahip olduğunu gösterdiler.
Gelecekteki mühendisler, katmanlı üretim süreci için parametre seçimi (örneğin, lazerin hızı veya sıcaklık dağılımı) konusunda rehberlik sağlamak ve katmanlı üretim süreci parametreleri ile özellikler arasındaki ilişkileri haritalamak için sinir ağlarını hızlı tahmin araçları olarak kullanacak Nihai ürünün yüzey pürüzlülüğü gibi.
Müşterinin belirli bir özelliğe ihtiyacı varsa üretim süreci parametreleriniz için ne kullanmanız gerektiğini bileceksiniz.
Mayıs 2021'de araştırmacılar, tekniklerinin mevcut kıyaslamalara göre daha iyi tahminler elde edip edemeyeceğini görmek için katmanlı imalatta kullanılan mevcut sonlu elemanlar yöntemi çerçevesinde bir değişiklik yapmayı önerdiler.
Argonne Ulusal Laboratuvarı'nın hareketli bir lazer içeren yeni bir katmanlı üretim deneyini yansıtan araştırmacılar, Frontera üzerinde gerçekleştirilen simülasyonların, deneydekilerden derinlik bakımından %10.3'ten daha az farklı olduğunu ve deneysel olarak gözlemlenen yaygın şivron tipi şekli yakaladığını gösterdi. metal üst yüzey.
Araştırmacının araştırması, bilgi işlem teknolojilerinin sürekli büyümesinden ve yüksek performanslı bilgi işleme yönelik federal yatırımlardan yararlanmaktadır.
Frontera sadece onlarınki gibi çalışmaları hızlandırmakla kalmıyor, aynı zamanda eğitim verilerinin yaygın olarak bulunmadığı alanlarda makine ve derin öğrenme çalışmalarına da kapı açarak yapay zeka araştırmalarının potansiyelini genişletiyor.
En heyecan verici nokta, yapay zeka modelinizin yalnızca az miktarda mevcut veriyi kullanarak geleceği tahmin edebildiğini görmenizdir. Bir şekilde sürecin evrimini öğreniyor.
Daha önce araştırmacılar, gaz-metal arayüzünün sıcaklığı, hızı ve geometrisi hakkında iyi bir doğrulukla tahminde bulunup bulunamayacakları konusunda pek emin değillerdi. Ama güzel şeyler yapabildiklerini gösterdiler veri çıkarımlar.