苹果用AI赋能“工业3D打印” 成品与设计图差距大幅缩小

时间:2021-07-05 10:32:07       来源:智东西

7 月 3 日消息,近日,苹果软件工程师 Zhu Zeliang Liu 和伊利诺伊大学土木与环境工程教授 Jinhui Yan正在尝试使用机器学习来预测增材制造(Additive Manufacturing,AM)过程。

增材制造技术与 3D 打印技术所类似,但两者仍有差异。根据 GE additive 的描述,3D 打印一般采用喷墨式(inkjet-style),适合普通消费者的个性化需求。而增材制造的工艺比 3D 打印要工业化许多,在一些特定情况下能够作为数控加工(CNC machining)、注射成型(injection molding)和熔模制造(investment casting)的替代方案,在工业制造中节省更多成本,更符合制造商的需要。

然而,提前预测增材制造过程是一个挑战。

一、预测增材制造过程中受到物质转化的影响,不容易被预测

伊利诺伊大学博士生 Qiming Zhu 说,“在预测增材制造过程时,需要将多个变量都考虑进去,例如气体、液体和固体,以及它们之间的转化”。同时,他也强调增材制造过程会受到广泛的空间和时间尺度(spatial and temporal scales,打印物品的大小和花费的时间长度)的影响,小范围的测试可能和增材制造的成品有巨大差距。

Zhu Zeliang Liu 和 Jinhui Yan 组成了团队,尝试使用机器学习来解决这些问题。他们尝试用深度学习(deep learning)和神经网络(neural network)来预测增材制造过程中的每一步步骤。

二、团队尝试利用物理信息神经网络来构建预测模型

当前主流的神经网络模型都需要大量数据来进行模拟训练。但在增材制造领域,获得高保真的数据是一件很困难的事情。Zhu Zeliang Liu 表示,为了减少对数据的需求,团队尝试研究“物理信息神经网络(physics informed neural networking)”或 PINN。

“通过合并守恒定律(incorporating conservation laws),并用偏微分方程表示(partial differential equations),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。

三、该模型的预测结果准确度高达九成以上

该团队模拟了两个基准实验的动态(simulated the dynamics of two benchmark experiments):一个是当固体和液态金属相互作用的1D 凝固(1D solidification)实验;另一个是激光束熔化试验(laser beam melting tests),选自 2018 年 NIST 增材制造基准测试系列(2018 NIST Additive Manufacturing Benchmark Test Series)。

在 1D 凝固案例中,他们将实验数据输入到他们的神经网络模型中。在激光束熔化测试中,他们使用了实验数据以及计算机模拟的结果。

该团队的神经网络模型能够重现这两个实验的动态。在 NIST Challenge 的情况下,它预测了实验中的温度(temperature)和熔池长度(melt pool length),误差在实际结果的 10% 以内。这个结果显示该模型已经具备预测增材制造过程的能力。

结论:预测增材制造过程的技术,在工业制造领域有广泛的前景

在 2021 年一月,该团队已经在 Computational Mechanics 上发表了他们的研究成果。Zhu Zeliang Liu 说,“这是神经网络首次应用于金属增材制造过程的建模(metal additive manufacturing process modeling),显示出基于物理的机器学习(physics-informed machine learning)在增材制造领域具有巨大潜力。”

增材制造能够让人们在制造业(manufacturing)、汽车工程(automotive engineering)甚至外太空(outer space)中按需生产零件或产品,减少材料浪费的可能性。Zhu Zeliang Liu 认为,未来工程师将使用神经网络作为快速预测工具,在预测增材制造过程时,提供参数设置的建议。

关键词: 苹果 AI赋能 3D打印 个性化需求