2021年7月2日
增材制造技术有潜力让人们在制造业、汽车工程甚至太空领域按需制造零部件或产品。然而，提前知道一个3D打印的物体现在和未来的表现是一个挑战。
物理实验——尤其是金属增材制造(AM)——是缓慢和昂贵的。即使对这些系统进行计算建模也是昂贵且耗时的。
问题是多相的，涉及气体、液体、固体以及它们之间的相变伊利诺伊大学博士生朱启明说。“加性制造也有广泛的空间和时间尺度。这导致了小尺度物理与实际产品之间的巨大差距。”
朱，泽亮柳（苹果软件工程师）和金慧妍（伊利诺伊大学土木与环境工程教授）正试图通过机器学习来解决这些挑战。他们正在使用深度学习和神经网络来预测添加剂制造中涉及的复杂过程的结果。
“我们想要建立加工、结构、性能和性能之间的关系，”朱说。
当前的神经网络模型需要大量的数据进行训练。但在添加剂制造领域，获得高保真数据是困难的，朱说。为了减少对数据的需求，朱和燕正在研究“物理信息神经网络”（简称PINN）。
“通过加入以偏微分方程表示的守恒定律，我们可以减少训练所需的数据量，并提高我们当前模型的能力，”他说。
朱和严使用德克萨斯州高级计算中心的Frontera和Stampede2超级计算机（截至2021年6月，世界上10和36最快的计算机），模拟了两个基准实验的动力学：一个一维凝固的例子，固体和液体金属相互作用；以及摘自2018 NIST添加剂制造基准测试系列的激光束熔化测试示例。
在一维凝固情况下，他们将实验数据输入神经网络。在激光束熔化试验中，他们使用了实验数据和计算机模拟结果。他们还开发了一种针对边界条件的“硬”执行方法，他们说，这种方法在解决问题时同样重要。
该团队的神经网络模型能够重现这两个实验的动态。在NIST挑战中，它预测的实验温度和熔池长度在实际结果的10%以内。他们用1.2到1.5微秒的数据训练模型，并在进一步的时间步长到2.0微秒时进行预测。
该研究小组发表了他们的研究结果计算力学2021年1月。
“这是神经网络首次应用于金属添加剂制造过程建模。”朱说。“我们表明，物理信息机器学习作为无缝整合数据和物理的完美平台，在添加剂制造领域具有巨大潜力。”
Zhu认为，未来的工程师将使用神经网络作为快速预测工具，为增材制造过程的参数选择提供指导——例如，激光的速度或温度分布，并绘制增材制造工艺参数和最终产品性能之间的关系，如其表面粗糙度。
“如果您的客户需要特定的属性，那么您就知道应该使用什么作为制造过程参数。”朱说。
在另一份报纸上应用力学与工程中的计算方法朱和燕于2021年5月在网上发表了一篇文章，他们提出了对现有有限元法框架的修改，该框架用于添加剂制造，以观察他们的技术是否能够比现有基准得到更好的预测。
通过对阿贡国家实验室(Argonne National Lab)最近一项涉及移动激光器的增材制造实验的镜像，研究人员表明，在Frontera上进行的模拟与实验中的深度差异小于10.3%，并捕捉到了实验中观察到的金属顶面常见的线形形状。
朱和严的研究得益于计算技术的持续增长和联邦政府对高性能计算的投资。
Frontera不仅加速了他们这样的研究，还为训练数据无法广泛获得的领域的机器和深度学习研究打开了大门，拓宽了人工智能研究的潜力。
“最令人兴奋的一点是，当您看到您的模型仅使用少量现有数据就能预测未来时朱说。“这是在以某种方式学习这个过程的演变。
“之前，我对我们是否能够很好地预测温度、速度和气体-金属界面的几何形状不是很有信心。我们证明了我们能够做出很好的数据推断。”
资料来源：https://www.tacc.utexas.edu/