人工智能生成温度分布的缺失部分
卡内基梅隆大学的工程师在两个配备了大量 3D 打印设备的专用实验室中进行增材制造 (AM) 实验之前，通常依靠人工智能的力量来开发可用于监控和控制构建过程的模型。在他们目前正在开发和测试的众多模型中，有一个可以精确监控和控制温度的模型。温度会影响熔池的几何形状、缺陷形成和微观结构演变。因此，准确预测和控制温度的能力是优化增材制造工艺和确保打印部件质量的重要基石。
目前，原位热传感器和计算机建模方法都无法实时准确地重建完整的三维温度分布。
现有的用于在加工过程中监测零件温度的现场热传感器，包括热电偶、红外（IR）摄像机和多波长高温计，仅提供零件温度分布的部分测量。
数据驱动模型只能在短时间内提供准确的预测，因为误差往往会随着时间的推移而累积。高保真数值模型可以生成整个部件的温度分布，但由于计算要求高，它们不适合实时监控。
陈江策是制造业未来研究所的博士后研究员，在 Sneha Prabha Narra 和 Christopher McComb 的指导下，找到了一种方法，可以仅使用现场传感器提供的部分数据来实时重建完整的温度曲线。
受到图像修复（一种成熟的计算机视觉和图像处理技术）的启发，陈开发了一种混合框架，该框架结合使用热传感器、数值模拟和机器学习 (ML) 来有效地恢复增材制造部件的完整温度历史。
“我们希望使用计算工具来展示热量在整个 AM 构建过程中是如何演变的，”陈解释说，他补充道，“通过实时监控温度，我们可以开发自动化系统，进行调整，生产出航空航天等要求苛刻的应用所需的合格零件。”
拥有增材制造和先进计算工具方面强大背景的工程师之间的合作可以推动这些进步。
“这个新模型的真正独特之处在于它能够基于模拟数据进行训练。运行这些 AM 实验的成本非常高，因此我们很高兴能够通过模拟进一步推进这一进程，”机械工程副教授麦库姆解释道。
陈开发的框架将从热传感器获得的部分温度分布数据输入到类似于图像修复模型的 ML 模型中，该模型不是生成图像的缺失部分，而是生成整个部分的温度分布。
他们的修复模型是在使用实验数据校准的数值模型生成的数据集上进行训练的，能够实时恢复整个部件的温度分布。数值建模数据集包含具有各种几何形状的部件的温度历史，这将使修复模型能够推广到 AM 用于生产的各种几何形状的部件。
由于修复方法传统上用于图像等二维结构数据的恢复，因此陈和他的团队必须找到一种方法来模拟三维中存在的AM过程的多种几何模型。
通过采用可用于表示非结构化数据的图卷积神经网络（GCNN）代替对具有各种几何形状的 3D 部件无效的卷积神经网络（CNN），他们的方法使他们能够对 3D 打印部件的逐层构造进行建模。
为了评估修复模型在单个几何体上的性能，他们分别针对每个几何体的训练数据对模型进行训练，并针对来自相同几何体的测试数据对其进行测试。ML 模型在捕捉测试数据中温度分布的物理模式方面表现非常出色，这些测试数据具有相似的几何形状，并且使用与训练数据相同的数值模型生成。
为了评估机器学习模型在训练过程中对未见过的几何图形的通用性，他们还进行了 10 倍留一交叉验证。在每一轮中，10 个几何模型中的 9 个用于训练，而剩下的一个用于验证。
考虑到训练数据集的规模较小（仅包含 9 种几何形状），ML 模型在其他验证轮次中的整体表现非常出色。这意味着可以通过扩展训练数据集以包含更多种类的几何形状来增强 ML 模型的通用性。
最后，研究人员评估了 ML 模型在墙体制造过程实验数据上的性能，以确定不同的训练数据处理方式如何影响其性能。
在第一个训练过程中，ML 模型使用“正常数据”进行训练，该数据由除墙体之外的所有复杂几何模型的模拟数据组成。在第二个过程中，ML 模型仅使用“墙体模拟数据”进行训练。在第三个过程中，他们使用“墙体模拟数据”对“正常数据”进行了扩充。
他们发现，模拟数据和实验数据之间存在显著差异。当仅基于墙体建筑模拟数据训练 ML 模型时，它无法有效捕捉实验数据中存在的模式。
然而，增强数据过程在训练过程中始终表现出稳步的改进，并在三个过程中取得了最佳性能，这表明 ML 模型能够将从其他几何图形中学习到的模式与从墙体模拟数据中学习到的几何特征进行综合。通过整合这些知识，ML 模型可以更好地预测墙体建造的实验数据。
除了这项工作的良好成果外，研究人员还相信他们可以取得进一步的改进。通过采用更先进的基于物理的数值模型来提高训练数据集的质量，研究人员将能够提高其在实际应用中的保真度。他们还认为，需要进一步研究数据分辨率如何影响 ML 模型保持高精度的能力。
研究人员还希望收集更多有关红外摄像机捕捉物体复杂几何形状整个边界的能力的信息，并扩展未来的工作，包括使用涉及多种类型热传感器的热传感系统，例如双色摄像机和热电偶。
页:
[1]