利用人工智能预测3D打印过程新利18官方

加法制造(AM)有潜力让人们在制造业、汽车工程甚至是外太空创造需要的零部件或产品。然而，提前知道如何3 d印制对象将在现在和将来执行。

物理实验——尤其是金属增材制造——既缓慢又昂贵。即使是对这些系统进行计算建模也是昂贵和耗时的。伊利诺伊大学博士生朱启明说:“问题在于多相，涉及到气、液、固以及它们之间的相变。”“增材制造还具有广泛的空间和时间尺度。这导致了小尺度物理和真实产品之间的巨大差距。”

朱、刘泽亮(苹果公司软件工程师)和严金辉(伊利诺伊大学土木与环境工程教授)正试图用这些方法来解决这些挑战机器学习．他们正在使用深度学习和神经网络预测增材制造中涉及的复杂工艺的结果。“我们想要建立加工、结构、性能和性能之间的关系，”朱说。

目前的神经网络模型需要大量的数据进行训练。但在增材制造领域，获取高保真度数据是困难的。为了减少对数据的需求，朱和严正在研究“基于物理的神经网络”，简称PINN。

他说:“通过引入用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，并提高我们现有模型的能力。”

朱军和闫军使用了美国国家科学基金会支持的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，世界上最快的计算机排名第10和第36位)模拟两个基准实验的动力学研究:以固态和液态金属相互作用时的一维凝固为例;以及来自2018年NIST增材制造基准测试系列的激光束熔化测试示例。

在一维凝固的情况下，他们将实验数据输入神经网络。在激光熔化试验中，他们使用了实验数据和计算机模拟的结果。他们还为边界条件开发了一种“硬”执行方法，他们说，这在解决问题方面同样重要。

“如果你的客户需要一个特定的属性，那么你就会知道你应该用什么来作为你的制造工艺参数，”朱说。

该团队的神经网络模型能够重现这两个实验的动态。在NIST挑战赛中，它预测的实验温度和熔体池长度在实际结果的10%以内。他们用1.2微秒到1.5微秒的数据训练模型，并在进一步的时间步长中预测到2.0微秒。

朱说:“这是神经网络首次应用于金属增材制造过程建模。”“我们表明，基于物理的机器学习是数据和物理无缝结合的完美平台，在增材制造领域具有巨大的潜力。”

朱认为，未来的工程师将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，例如激光速度或温度分布并绘制增材制造工艺参数与最终产品性能(如表面粗糙度)之间的关系。

该团队在《科学》杂志上发表了他们的研究结果计算力学．

在2021年5月在线发表的《应用力学与工程计算方法》(Computational Methods In Applied Mechanics and Engineering)上的另一篇论文中，Zhu和Yan提出了一项对增模制造中使用的现有有限元方法框架的修改，以看看他们的技术是否能在现有基准上获得更好的预测。

与阿贡国家实验室最近进行的一项涉及移动激光器的增模制造实验相呼应，研究人员显示，在Frontera上进行的模拟与实验中的模拟深度相差不到10.3%，并捕捉到了实验中观察到的金属顶部表面的常见锯齿形。

朱和严的研究受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不仅加快了诸如此类的研究，还为在训练数据并不广泛可用的领域进行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。“最令人兴奋的是，当你看到你的模型只使用少量的现有数据就可以预测未来，”朱说。“这是以某种方式了解这个过程的演变。之前，我对我们是否能够准确预测温度、速度和气金属界面的几何形状不太有信心。我们证明了我们能够做出很好的数据推断。”