Sản xuất phụ gia có tiềm năng cho phép người ta tạo ra các bộ phận hoặc sản phẩm theo yêu cầu trong sản xuất, kỹ thuật ô tô và thậm chí trong không gian vũ trụ. Tuy nhiên, thật khó để biết trước một vật thể in 3D sẽ hoạt động như thế nào, hiện tại và trong tương lai.
Các thí nghiệm vật lý - đặc biệt là đối với sản xuất phụ gia kim loại (AM) - diễn ra chậm và tốn kém. Ngay cả việc mô hình hóa các hệ thống này một cách tính toán cũng rất tốn kém và mất thời gian.
Vấn đề là nhiều pha và liên quan đến khí, chất lỏng, chất rắn và sự chuyển pha giữa chúng. Sản xuất phụ gia cũng có nhiều quy mô không gian và thời gian. Điều này đã dẫn đến khoảng cách lớn giữa vật lý xảy ra ở quy mô nhỏ và sản phẩm thực.
Một kỹ sư phần mềm tại Apple và một Giáo sư Kỹ thuật Môi trường và Dân dụng tại Đại học Illinois, đang cố gắng giải quyết những thách thức này bằng cách sử dụng AI và học máy. Họ đang sử dụng học sâu và mạng nơ-ron để dự đoán kết quả của các quy trình phức tạp liên quan đến sản xuất phụ gia, họ muốn thiết lập mối quan hệ giữa quá trình xử lý, cấu trúc, đặc tính và hiệu suất.
AI Các mô hình mạng nơ-ron hiện tại cần một lượng lớn dữ liệu để đào tạo. Nhưng trong lĩnh vực sản xuất phụ gia, việc thu thập dữ liệu có độ trung thực cao là rất khó, theo nhà nghiên cứu. Để giảm nhu cầu về dữ liệu, các nhà nghiên cứu đang theo đuổi mạng nơ-ron thông tin vật lý hoặc PINN.
Bằng cách kết hợp các định luật bảo toàn, được biểu diễn dưới dạng phương trình vi phân từng phần, chúng ta có thể giảm lượng dữ liệu chúng ta cần để đào tạo và nâng cao khả năng của các mô hình hiện tại của chúng
Sử dụng siêu máy tính Frontera và Stampede2 tại Trung tâm Máy tính Tiên tiến Texas (nhanh nhất thứ 10 và 36 trên thế giới, tính đến tháng 2021 năm 1), các nhà nghiên cứu đã mô phỏng động lực học của hai thí nghiệm chuẩn: ví dụ về sự đông đặc 2018D, khi kim loại rắn và lỏng tương tác; và một ví dụ về các thử nghiệm tan chảy bằng chùm tia laze được lấy từ Chuỗi thử nghiệm điểm chuẩn sản xuất phụ gia NIST năm XNUMX.
Trong trường hợp đông đặc 1D, họ nhập dữ liệu từ các thí nghiệm vào mạng nơ-ron của họ. Trong các thử nghiệm làm tan chảy chùm tia laze, họ đã sử dụng dữ liệu thí nghiệm cũng như kết quả từ các mô phỏng trên máy tính. Họ cũng phát triển một phương pháp thực thi cứng rắn đối với các điều kiện ranh giới, theo họ, điều này cũng quan trọng không kém trong việc giải quyết vấn đề.
Mô hình mạng nơ-ron của nhóm đã có thể tái tạo động lực của hai thí nghiệm. Trong trường hợp của Thử thách NIST, nó dự đoán nhiệt độ và độ dài bể tan chảy của thử nghiệm trong vòng 10% so với kết quả thực tế. Họ đã đào tạo mô hình trên dữ liệu từ 1.2 đến 1.5 micro giây và đưa ra dự đoán ở các bước thời gian xa hơn lên đến 2.0 micro giây.
Đây là lần đầu tiên mạng nơ-ron được áp dụng để mô hình hóa quy trình sản xuất phụ gia kim loại. Họ đã chỉ ra rằng máy học được thông tin về vật lý, như một nền tảng hoàn hảo để kết hợp liền mạch dữ liệu và vật lý, có tiềm năng lớn trong lĩnh vực sản xuất phụ gia.
Các kỹ sư trong tương lai sử dụng mạng nơ-ron làm công cụ dự đoán nhanh để cung cấp hướng dẫn về việc lựa chọn thông số cho quy trình sản xuất phụ gia — ví dụ: tốc độ của tia laser hoặc phân bố nhiệt độ — và để lập bản đồ các mối quan hệ giữa các thông số quy trình sản xuất phụ gia và các đặc tính của sản phẩm cuối cùng, chẳng hạn như độ nhám bề mặt của nó.
Nếu khách hàng yêu cầu một thuộc tính cụ thể, thì bạn sẽ biết những gì bạn nên sử dụng cho các thông số quy trình sản xuất của mình.
Vào tháng 2021 năm XNUMX, các nhà nghiên cứu đề xuất sửa đổi khung phương pháp phần tử hữu hạn hiện có được sử dụng trong sản xuất phụ gia để xem liệu kỹ thuật của họ có thể đưa ra dự đoán tốt hơn so với các tiêu chuẩn hiện có hay không.
Phản ánh một thí nghiệm sản xuất phụ gia gần đây từ Phòng thí nghiệm Quốc gia Argonne liên quan đến một tia laser chuyển động, các nhà nghiên cứu đã chỉ ra rằng các mô phỏng, được thực hiện trên Frontera, khác biệt về độ sâu so với các mô phỏng trong thí nghiệm ít hơn 10.3% và thu được hình dạng kiểu chevron được quan sát bằng thực nghiệm trên bề mặt kim loại trên cùng.
Nghiên cứu của nhà nghiên cứu được hưởng lợi từ sự phát triển không ngừng của công nghệ máy tính và đầu tư của liên bang vào máy tính hiệu suất cao.
Frontera không chỉ tăng tốc các nghiên cứu như của họ, nó còn mở ra cánh cửa cho các nghiên cứu máy móc và học sâu trong các lĩnh vực mà dữ liệu đào tạo không được phổ biến rộng rãi, mở rộng tiềm năng của nghiên cứu AI.
Điểm thú vị nhất là khi bạn thấy rằng mô hình AI của mình có thể dự đoán tương lai chỉ bằng cách sử dụng một lượng nhỏ dữ liệu hiện có. Bằng cách nào đó, nó đang tìm hiểu về sự phát triển của quá trình này.
Trước đây, các nhà nghiên cứu không tự tin lắm về việc liệu họ có thể dự đoán với độ chính xác tốt về nhiệt độ, vận tốc và hình học của giao diện kim loại khí hay không. Nhưng họ đã cho thấy rằng họ có thể làm cho dữ liệu các suy luận.