Zespół badawczy z Uniwersytet Technologiczny w Nankinie, chińska instytucja specjalizująca się w badaniach z zakresu mechaniki i energetyki, wprowadziła strukturę operatora neuronowego opartego na fizyce (PINO), umożliwiającą przewidywanie zniekształceń w czasie rzeczywistym w procesie wytwarzania addytywnego łuku drutowego (WAAM) — znanego również jako ukierunkowane osadzanie energii (DED-Arc). Opublikowano dnia arXivw badaniu przedstawiono PIDeepONet-RNN, model prognozujący zniekształcenia termomechaniczne z wyprzedzeniem do 15 sekund, zarówno w kierunku z, jak i y. Osiągnął maksymalne błędy bezwzględne odpowiednio 0,9733 mm i 0,2049 mm, wykonując przewidywania w czasie poniżej 150 milisekund, co stanowi znaczną redukcję w porównaniu z czterema godzinami wymaganymi w przypadku tradycyjnych symulacji elementów skończonych.
Symulacje metodą elementów skończonych (FEM) i obliczeniową dynamiką płynów (CFD) rejestrują szczegółowe reakcje termomechaniczne w WAAM, ale wymagają dużego czasu obliczeniowego. FEM zazwyczaj wymaga kilku godzin na symulację kilkusekundowego osadzania, podczas gdy CFD może zająć tygodnie. Modele te należy również ponownie skalibrować za każdym razem, gdy zmieniają się parametry procesu lub geometria. Surogaty uczenia maszynowego, takie jak splotowe sieci neuronowe (CNN) lub czasoprzestrzenne architektury ConvLSTM, charakteryzują się zwiększoną szybkością przewidywania, jednak mają problemy z dokładnością w długim horyzoncie i nie są w stanie w pełni oddzielić splecionych pól termicznych i mechanicznych, które powodują zniekształcenia.
Zespół Nanjing Tech zajął się tymi ograniczeniami, łącząc naukę operatora z ograniczeniami fizycznymi wynikającymi z równania przewodzenia ciepła. Struktura PIDEepONet-RNN składa się z sieci głównej, która uczy się czasowej ewolucji temperatury, oraz sieci odgałęzionej, która koduje odpowiedź mechaniczną. Osadzanie równania bezpośrednio w funkcji straty modelu wymusza spójność fizyczną, ograniczając przewidywania do termodynamicznie ważnych zależności. Integracja ta umożliwia dokładne, długoterminowe prognozowanie w różnych warunkach osadzania bez konieczności ponownego szkolenia.
Generacja zbioru danych i struktura modelu
Naukowcy skonstruowali zweryfikowany eksperymentalnie zbiór danych MES, wykorzystując niskowęglowe stale ER70S-6 i Q235b. Symulowana geometria składała się z podłoża o wymiarach 300 × 300 × 10 mm i cienkiej ściany o wysokości 100 mm, połączonej z elementami sześciokątnymi i ogrzewanej przez podwójnie elipsoidalne źródło Goldak. Aby złagodzić nierównomierne nagrzewanie się, zastosowano zygzakowatą ścieżkę skanowania i 60-sekundowy czas chłodzenia międzywarstwowego. Dane dotyczące temperatury i zniekształceń były pobierane co sekundę i normalizowane w zakresie od 0 do 1, co dało 6880 próbek szkoleniowych i 1300 testowych, które rejestrowały różne kombinacje prędkości podawania drutu i prędkości przesuwu.
Szkolenie modelu przeprowadzono na pojedynczym procesorze graficznym NVIDIA GeForce RTX 4050 (6 GB) przy użyciu narzędzia PyTorch. Zarówno sieci oddziałowe, jak i główne wykorzystywały warstwy splotowe i ConvLSTM połączone produktem Hadamard w celu symulacji sprzężonego zachowania termomechanicznego. Całkowita strata obejmowała trzy składniki – dokładność danych, wierność temperatury tułowia i fizyczny składnik resztkowy ważony współczynnikami α, β i λ – aby zachować precyzję numeryczną i ważność fizyczną. Trening obejmował 5000 epok, osiągając zbieżność po około 104 minutach, nieco dłużej niż wartości bazowe CNN i ConvLSTM, ale zapewniając płynniejszą stabilność i niższy skumulowany błąd. Po przeszkoleniu model wygenerował prognozy pełnego pola w ciągu 150 milisekund w porównaniu z czterema godzinami w przypadku obliczeń MES.
Wyniki porównawcze i ocena ilościowa
Cztery modele zastępcze — CNN, czasoprzestrzenny ConvLSTM, DeepONet-RNN i PIDeepONet-RNN — zostały porównane przy użyciu średniego błędu bezwzględnego (MAE), dywergencji Kullbacka-Leiblera (KL) i wskaźnika podobieństwa strukturalnego (SSIM). PIDEepONet-RNN zanotował najniższe MAE wynoszące 0,0261 mm (oś z) i 0,0165 mm (oś y) w pierwszym pięciosekundowym oknie, utrzymując stabilność w horyzoncie 15-sekundowym. Analiza normy gradientowej potwierdziła minimalne stężenie błędów w obszarach roztopionych i osadzonych, wykazując efektywne uczenie się sprzężonej ewolucji termomechanicznej.
Wydajność CNN gwałtownie spadła, a błędy osi Z przekraczały 1,2 mm, podczas gdy ConvLSTM i DeepONet-RNN poprawiły dokładność, ale cierpiały na dryf czasowy. Uwzględnienie ograniczenia przewodzenia ciepła zmniejszyło maksymalny błąd bezwzględny o około 20% w porównaniu z modelami bez ograniczeń i zapobiegło akumulacji błędów podczas przejść międzywarstwowych, gdzie dopływ ciepła i warunki brzegowe gwałtownie się zmieniają.
Przewidywane rozkłady naprężeń von Misesa ściśle odpowiadały wzorcom MES, ze średnim błędem wynoszącym 2,3% i maksymalnym odchyleniem regionalnym wynoszącym 9%, co potwierdza, że regularyzacja oparta na fizyce zwiększa realizm bez uszczerbku dla wydajności obliczeniowej.
W stronę cyfrowych bliźniaków działających w czasie rzeczywistym w metalicznym AM
PIDEepONet-RNN wykazuje potencjał jako substytut przewidywania zniekształceń w czasie rzeczywistym w systemach sterowania WAAM. Jego architektura umożliwia bezpośrednią integrację z czujnikami in-situ — w tym kamerami termowizyjnymi i skanerami laserowymi — w celu zapewnienia ciągłego sprzężenia zwrotnego podczas osadzania warstwa po warstwie. W przeciwieństwie do FEM, który musi być przebudowany przy każdej zmianie procesu, wyszkolona sieć dokonuje uogólnień na niewidoczne parametry, zachowując jednocześnie wierność predykcyjną.
Osadzenie równania przewodzenia ciepła zwiększa możliwości interpretacji, umożliwiając inżynierom śledzenie przewidywanych zniekształceń na podstawie historii termicznej i ewolucji naprężeń. To przekształca model z predyktora czarnej skrzynki w fizycznie przejrzyste narzędzie diagnostyczne. Możliwość wnioskowania w czasie rzeczywistym tworzy ramy dla integracji cyfrowych bliźniaków, umożliwiając monitorowanie predykcyjne, kontrolę adaptacyjną i łagodzenie defektów w produkcji dodatków metalicznych.
Przyszłe prace rozszerzą podejście na złożone geometrie 3D i uwzględnią głębsze prawa sprzężenia termomechanicznego. Zespół badawczy planuje także walidację in-situ, aby wypełnić lukę między symulacją a rzeczywistością i jeszcze bardziej udoskonalić niezawodność predykcyjną do zastosowań przemysłowych.
Pomóż ukształtować nagrody branży druku 3D 2025. Zarejestruj się na Komitet Ekspertów 3DPI dzisiaj.
Czy budujesz kolejną wielką rzecz w druku 3D? Dołącz do Start-up Roku w branży druku 3D konkurencję i poszerzaj swój zasięg.
Subskrybuj Biuletyn branży druku 3D aby być na bieżąco z najnowszymi wiadomościami i spostrzeżeniami.
Wyróżniony obraz przedstawia ocenę modeli zastępczych w celu przewidywania zniekształceń kierunku z na przyszłe 1–15 sekund. Obraz za pośrednictwem arXiv.
