Физические эксперименты – особенно для аддитивного производства металлов (AM) – медленные и дорогостоящие. Даже моделирование этих систем с помощью вычислений дорого и требует много времени.
«Проблема является многофазной и связана с газом, жидкостями, твердыми телами и фазовыми переходами между ними», – сказал доктор философии Университета Иллинойса.D. студент Цимин Чжу. «Аддитивное производство также имеет широкий диапазон пространственных и временных масштабов. Это привело к большим расхождениям между физикой малых масштабов и реальным продуктом."
Чжу, Зелян Лю (инженер-программист в Apple) и Цзиньхуэй Ян (профессор гражданской и экологической инженерии в Университете Иллинойса) пытаются решить эти проблемы с помощью машинного обучения.
Они используют глубокое обучение и нейронные сети для прогнозирования результатов сложных процессов, связанных с аддитивным производством.
«Мы хотим установить взаимосвязь между обработкой, структурой, свойствами и производительностью», – сказал Чжу.
Современные модели нейронных сетей требуют больших объемов данных для обучения. Но, по словам Чжу, в области аддитивного производства получить точные данные сложно.
Чтобы уменьшить потребность в данных, Чжу и Янь используют нейронные сети, основанные на физике, или PINN.
«За счет включения законов сохранения, выраженных в виде уравнений в частных производных, мы можем сократить объем данных, необходимых для обучения, и расширить возможности наших текущих моделей», – сказал он.
Используя суперкомпьютеры Frontera и Stampede2 в Техасском центре передовых вычислений (10-е и 36-е места в мире по скорости на июнь 2021 г.), Чжу и Ян смоделировали динамику двух эталонных экспериментов: пример одномерного затвердевания, когда он твердый и твердый. жидкие металлы взаимодействуют; и пример испытаний на плавление лазерным лучом, взятых из серии тестов NIST Additive Manufacturing Benchmark Test Series 2018 г.
В случае одномерного затвердевания они вводят данные экспериментов в свою нейронную сеть. В испытаниях на плавление лазерным лучом они использовали экспериментальные данные, а также результаты компьютерного моделирования. Они также разработали «жесткий» метод обеспечения соблюдения граничных условий, который, по их словам, не менее важен при решении проблем.
Модель нейронной сети команды смогла воссоздать динамику двух экспериментов. В случае NIST Challenge он предсказал температуру и длину плавильной ванны эксперимента в пределах 10% от фактических результатов. Они обучили модель на данных из 1.2 к 1.5 микросекунд и сделал прогнозы на дальнейших временных шагах до 2.0 микросекунд.
Команда опубликовала свои результаты по вычислительной механике в январе 2021 года.
«Это первый раз, когда нейронные сети были применены для моделирования процессов аддитивного производства металлов», – сказал Чжу. «Мы показали, что машинное обучение на основе физики, как идеальная платформа для беспрепятственного объединения данных и физики, имеет большой потенциал в области аддитивного производства."
Чжу видит, что инженеры в будущем будут использовать нейронные сети в качестве инструментов быстрого прогнозирования, чтобы предоставить рекомендации по выбору параметров для процесса аддитивного производства – например, скорость лазера или распределение температуры – и отобразить взаимосвязи между процессами аддитивного производства. параметры и свойства конечного продукта, такие как шероховатость поверхности.
«Если вашему клиенту требуется определенное свойство, тогда вы будете знать, что следует использовать для параметров вашего производственного процесса», – сказал Чжу.
В отдельной статье в разделе «Вычислительные методы в прикладной механике и инженерии», опубликованной в Интернете в мае 2021 года, Чжу и Ян предложили модификацию существующей структуры метода конечных элементов, используемой в аддитивном производстве, чтобы увидеть, может ли их методика получить более точные прогнозы по сравнению с существующими тестами.
Отражая недавний эксперимент по аддитивному производству из Аргоннской национальной лаборатории с использованием движущегося лазера, исследователи показали, что моделирование, выполненное на Frontera, отличается по глубине от таковых в эксперименте менее чем на 10.3% и запечатлел обычную экспериментально наблюдаемую форму шевронного типа на верхней поверхности металла.
Исследования Чжу и Яня извлекают выгоду из продолжающегося роста вычислительных технологий и федеральных инвестиций в высокопроизводительные вычисления.
Frontera не только ускоряет исследования, подобные их, но и открывает двери для исследований в области машинного и глубокого обучения в областях, где данные обучения не являются широко доступными, расширяя потенциал исследований в области ИИ.
«Самый захватывающий момент – это когда вы видите, что ваша модель может предсказывать будущее, используя лишь небольшой объем существующих данных», – сказал Чжу. "Каким-то образом он узнает об эволюции процесса.
«Раньше я не был очень уверен в том, сможем ли мы с хорошей точностью предсказать температуру, скорость и геометрию границы раздела газ-металл. Мы показали, что можем делать хорошие выводы из данных."