如何使用人工智能預測3D打印過程

來源：江蘇激光聯(lián)盟


導讀：增材制造有可能讓人們在制造業(yè)、汽車工程甚至外太空中按需制造零件或產(chǎn)品。然而，提前了解 3D 打印對象現(xiàn)在和未來的表現(xiàn)是一個挑戰(zhàn)。

人們普遍認為，金屬增材制造 (AM) 可以直接從數(shù)字模型打印具有復雜幾何形狀的金屬，而不受傳統(tǒng)制造路線的設計限制，因此可以徹底改變機械、航空航天和生物醫(yī)學行業(yè)。在過去的十年中，金屬增材制造市場一直在顯著增長。然而，與整個制造市場相比，由于缺乏可靠的工藝-結(jié)構(gòu)-性能關(guān)系，金屬增材制造在工業(yè)上的應用并沒有達到預期的潛力。在過去幾年中，預測計算模型與原位和非原位測量和監(jiān)測相結(jié)合，在增強對過程-結(jié)構(gòu)-性能關(guān)系的理解方面發(fā)揮了不可或缺的作用。

在不同尺度和保真度的各種計算模型中，熱流體過程模擬不僅是理解金屬增材制造物理的重要工具，而且還是推導出過程-結(jié)構(gòu)-性能關(guān)系的先鋒。金屬增材制造過程本質(zhì)上是一個多尺度、多物理場問題，涉及氣、液、固相之間的快速、復雜和耦合的質(zhì)/流/熱交換，具有大的密度比和復雜的界面現(xiàn)象。當前的數(shù)值模擬工具通常采用數(shù)學模型，將 Navier-Stokes 方程和傳熱方程結(jié)合起來，以捕捉制造過程中溫度和熔池動力學的演變。幾十年來，制造界一直采用基于空間離散化（例如，有限差分、有限體積、有限元和無網(wǎng)格方法）和時間步長的計算方法來直接求解這些數(shù)學模型或其弱形式。

通過利用來自傳感器、實驗和高保真模擬的數(shù)據(jù)，機器學習 (ML) 和人工智能 (AI) 有可能加速金屬 AM 工藝熱流體建模的突破。一般來說，ML 側(cè)重于數(shù)據(jù)的算法建模和基于觀察的標簽預測，重點是對分類和回歸任務進行準確預測�，F(xiàn)代深度學習方法在從情感分析到化學預測再到材料設計等領(lǐng)域取得了巨大成功�，F(xiàn)代 ML 技術(shù)（尤其是深度學習）取得重大成功的第一個原因是海量數(shù)據(jù)（大數(shù)據(jù)）的可用性。第二個原因是硬件和軟件的進步減輕了許多技術(shù)負擔，包括高性能計算機、圖形處理單元（GPU）、快速大規(guī)模優(yōu)化方案、新的最優(yōu)性保證以及許多用戶友好的開放式源包，例如 Tensorflow、PyTorch、Theano 和 Caffe。

然而，使用深度學習進行 AM 過程建模仍然具有挑戰(zhàn)性。主要挑戰(zhàn)來自缺乏大型標記數(shù)據(jù)集，因為 AM 過程的實驗測量或高保真模擬數(shù)據(jù)的獲取成本很高，這使得基于大數(shù)據(jù)的 ML/AI 算法不可行。

為了充分利用機器學習對金屬增材制造的力量，同時減輕對“大數(shù)據(jù)”的依賴，來自伊利諾伊大學厄巴納-香檳分校的Qiming Zhu和美國ANSYS公司的Zeliang Liu 以及 Jinhui Yan教授提出了一個物理信息神經(jīng)網(wǎng)絡 (PINN) 框架，該框架融合了數(shù)據(jù)和第一物理原理，包括動量守恒定律、質(zhì)量守恒定律和能量，進入神經(jīng)網(wǎng)絡以告知學習過程。

▲圖1. 金屬 AM 的全連接深度神經(jīng)網(wǎng)絡

使用德克薩斯高級計算中心的 Frontera 和 Stampede2 超級計算機（截至 2021 年 6 月，世界上最快的 #10 和 #36），Zhu 和 Yan 模擬了兩個基準實驗的動力學：一維凝固的例子，當固體和 液態(tài)金屬相互作用；以及來自 2018 NIST 增材制造基準測試系列的激光束熔化測試示例。

▲圖2. 1D固化工藝

在 1D 凝固案例中，他們將實驗數(shù)據(jù)輸入到他們的神經(jīng)網(wǎng)絡中。在激光束熔化測試中，他們使用了實驗數(shù)據(jù)以及計算機模擬的結(jié)果。他們還開發(fā)了一種邊界條件的“硬”執(zhí)行方法，他們說，這在解決問題中同樣重要。

該團隊的神經(jīng)網(wǎng)絡模型能夠重現(xiàn)這兩個實驗的動態(tài)。在 NIST Challenge 的情況下，它預測了實驗的溫度和熔池長度，誤差在實際結(jié)果的 10% 以內(nèi)。他們在 1.2 到 1.5 微秒的數(shù)據(jù)上訓練模型，并在高達 2.0 微秒的進一步時間步長上進行預測。

該研究成果于 2021 年 1 月發(fā)表在 Computational Mechanics 上。

這是神經(jīng)網(wǎng)絡首次應用于金屬增材制造過程建模。研究人員展示了基于物理的機器學習作為無縫整合數(shù)據(jù)和物理的完美平臺，在增材制造領(lǐng)域具有巨大潛力。

Zhu認為，未來工程師可以使用神經(jīng)網(wǎng)絡作為快速預測工具，為增材制造過程的參數(shù)選擇（例如激光速度或溫度分布）提供指導，并繪制增材制造工藝參數(shù)與參數(shù)之間的關(guān)系。最終產(chǎn)品的特性，例如其表面粗糙度。

▲圖3. 當熔池形狀沒有變化時，在準穩(wěn)態(tài) (2 ms) 下，比較 FEM、PINN 和案例 B (195 W, 0.8 m/s) 的溫度和熔池流體動力學的預測。左：FEM 預測。中：PINN 預測。右：基于實驗輻射溫度的熱視頻幀

本文來源：Qiming Zhu et al, Machine learning for metal additive manufacturing: predicting temperature and melt pool fluid dynamics using physics-informed neural networks, Computational Mechanics (2021). DOI: 10.1007/s00466-020-01952-9