2021年7月2
加法制造有可能允许一个创建零件或产品需求在制造业,汽车工程,甚至外太空。但是,它是一个挑战,提前知道如何将执行一个3 d打印对象,现在和将来。
物理实验,尤其是金属添加剂制造(AM),是缓慢而昂贵的。即使这些系统建模计算是昂贵和费时的。
“问题是多阶段的,涉及到气体,液体,固体,和它们之间的相变,”伊利诺伊大学博士生启明创投朱说。“加法制造也有一个广泛的空间和时间尺度。这导致了大差距发生的物理小规模和真正的产品。”
朱、刘Zeliang(在苹果软件工程师),和金惠燕(土木与环境工程教授伊利诺伊大学),使用机器学习正试图解决这些挑战。他们使用深度学习和神经网络预测的结果复杂流程参与加法制造。
“我们希望建立之间的关系处理,结构,性质,和性能,”朱说。
当前神经网络模型需要大量的数据来训练。但在加法制造领域,获得高保真数据是很困难的,根据朱。减少数据的必要性,朱镕基和燕在追求“物理通知神经网络,”或PINN。
“通过将守恒定律,表示为偏微分方程,我们可以减少我们的数据量需要培训和推进我们当前的模型的能力,”他说。
使用Frontera和Stampede2超级计算机在得克萨斯高级计算中心(# 10 # 36世界上最快,截至2021年6月),朱镕基和燕模拟动力学两个基准实验:1 d凝固的一个例子,当固体和液体金属相互作用;和激光消融的一个示例测试从2018年NIST加法制造基准测试系列。
在一维凝固的情况下,他们从实验到神经网络的输入数据。在激光熔化的测试中,他们用实验数据以及计算机模拟的结果。他们还开发了一个“硬”强制边界条件的方法,,他们说,同样重要的是解决问题。
团队的神经网络模型能够再现两个实验的动态。在NIST的挑战的情况下,预测实验的温度和熔池长度内10%的实际结果。他们训练模型的数据从1.2到1.5微秒,进一步预测时间步骤2.0微秒。
团队发表了他们的结果计算力学2021年1月。
“这是第一次,神经网络已经应用于金属添加剂制造过程建模、”朱说。“我们显示physics-informed机器学习,是一个完美的平台来无缝地整合数据和物理,加法制造领域有很大的潜力。”
朱认为工程师在未来快速使用神经网络作为预测工具的参数选择提供指导加法制造过程——例如,激光的速度和温度分布,绘制加法制造工艺参数之间的关系和最终产品的性质,如表面粗糙度。
“如果你的客户需要一个特定的属性,那么你就知道你应该给你的生产过程参数,使用“朱说。
在一个单独的纸应用力学和工程计算方法发表在2021年5月,朱镕基和燕提出了修改现有的有限元方法框架用于加法制造,看看他们的技术可以更好地预测在现有的基准。
镜像阿贡国家实验室最近的加法制造实验涉及移动激光,研究人员表明,模拟,进行Frontera,从那些在实验中不同深度小于10.3%,抓住了共同experimentally-observed chevron-type形状的金属表面。
朱和燕的研究效益持续增长的计算技术在高性能计算和联邦投资。
Frontera不仅加速研究,如他们开门机和深度学习研究领域训练数据并不普及,扩大人工智能研究的潜力。
“最令人兴奋的一点是,当你看到你的模型可以预测未来只使用少量的现有数据,”朱说。“这是学习过程的演变。
“以前,我不是很自信我们能预测是否具有良好的准确性在温度、速度、和气体金属界面的几何。我们表明,我们能够做出漂亮的数据推断。”
来源:https://www.tacc.utexas.edu/