智東西（公眾號：zhidxcom）
編譯 | 貞逸
編輯 | 云鵬

智東西7月3日消息，近日，蘋果軟件(jian)工程師Zhu Zeliang Liu和 伊利諾伊大學(xue)(xue)土木與環境(jing)工程教授Jinhui Yan正在嘗(chang)試使用機器(qi)學(xue)(xue)習來預(yu)測增(zeng)材制造（Additive Manufacturing，AM）過程。

增(zeng)材制造(zao)技(ji)術與3D打(da)印(yin)技(ji)術所(suo)類似，但兩(liang)者仍(reng)有差異。根據GE additive的(de)(de)(de)描(miao)述，3D打(da)印(yin)一(yi)般采用噴墨式(shi)（inkjet-style），適合(he)普(pu)通消費者的(de)(de)(de)個性化需求。而增(zeng)材制造(zao)的(de)(de)(de)工(gong)藝(yi)比(bi)3D打(da)印(yin)要工(gong)業化許多，在一(yi)些特定情(qing)況下能(neng)夠(gou)作為數控加工(gong)（CNC machining）、注(zhu)射成(cheng)型（injection molding）和熔模制造(zao)（investment casting）的(de)(de)(de)替代(dai)方案(an)，在工(gong)業制造(zao)中節省更多成(cheng)本，更符合(he)制造(zao)商的(de)(de)(de)需要。

然而，提前預測增材制(zhi)造過程(cheng)是一個挑戰。

一、預測增材制造過程中受到物質轉化的影響，不容易被預測

伊利(li)諾伊大學博士生Qiming Zhu說，“在預測增材(cai)制造(zao)(zao)過(guo)(guo)程時，需(xu)要(yao)將多個變(bian)量都考慮進去，例(li)如(ru)氣(qi)體(ti)(ti)、液(ye)體(ti)(ti)和(he)(he)固體(ti)(ti)，以及它們之間(jian)(jian)的轉化”。同時，他也(ye)強(qiang)調(diao)增材(cai)制造(zao)(zao)過(guo)(guo)程會受(shou)到(dao)廣泛的空間(jian)(jian)和(he)(he)時間(jian)(jian)尺度(du)(du)（spatial and temporal scales，打(da)印(yin)物(wu)品(pin)的大小和(he)(he)花費的時間(jian)(jian)長(chang)度(du)(du)）的影(ying)響，小范圍(wei)的測試可能(neng)和(he)(he)增材(cai)制造(zao)(zao)的成品(pin)有巨(ju)大差距(ju)。

Zhu Zeliang Liu和(he)(he) Jinhui Yan組成了(le)團(tuan)隊，嘗試使(shi)用(yong)機器學(xue)習(xi)來解(jie)決這(zhe)些(xie)問題。他們嘗試用(yong)深(shen)度學(xue)習(xi)（deep learning）和(he)(he)神經網絡(luo)（neural network）來預測增材制(zhi)造(zao)過程(cheng)中(zhong)的每一步步驟(zou)。

二、團隊嘗試利用物理信息神經網絡來構建預測模型

當前主流的(de)神經網(wang)絡模型都(dou)需(xu)要大量數據(ju)來進行模擬訓練。但在增材制(zhi)造領域，獲得高(gao)保真的(de)數據(ju)是一件很困難的(de)事情。Zhu Zeliang Liu表(biao)示，為(wei)了(le)減(jian)少對數據(ju)的(de)需(xu)求(qiu)，團隊嘗試研(yan)究“物理信息神經網(wang)絡（physics informed neural networking）”或 PINN。

“通過合并(bing)守恒定律（incorporating conservation laws），并(bing)用偏微分(fen)方程(cheng)表示（partial differential equations），我們(men)可(ke)以(yi)減少訓練(lian)所需的數據量(liang)并(bing)提(ti)高我們(men)當(dang)前模型的能力。”他說(shuo)。

三、該模型的預測結果準確度高達九成以上

該(gai)團隊(dui)模擬了兩(liang)個基準(zhun)實驗的(de)動態(tai)（simulated the dynamics of two benchmark experiments）：一個是(shi)當固(gu)體和液態(tai)金屬(shu)相(xiang)互作用(yong)的(de)1D凝固(gu)（1D solidification）實驗；另一個是(shi)激光束熔化試驗（laser beam melting tests），選自2018年NIST增材制造(zao)基準(zhun)測試系列（2018 NIST Additive Manufacturing Benchmark Test Series）。

在 1D 凝固案(an)例中，他(ta)(ta)們將實驗數據輸入到他(ta)(ta)們的(de)神經網絡模型(xing)中。在激光束熔化測試中，他(ta)(ta)們使用了實驗數據以及計算機模擬的(de)結果。

該團隊(dui)的神經(jing)網(wang)絡模型(xing)能夠重現這兩個(ge)實(shi)驗(yan)的動態。在(zai) NIST Challenge 的情況下，它預測了實(shi)驗(yan)中的溫度（temperature）和(he)熔池長度（melt pool length），誤差在(zai)實(shi)際結果的 10% 以(yi)內。這個(ge)結果顯示該模型(xing)已經(jing)具備預測增材制造過程的能力。

結論：預測增材制造過程的技術，在工業制造領域有廣泛的前景

在2021年一月(yue)，該團隊已經在Computational Mechanics上發表了他們的研究(jiu)成果。Zhu Zeliang Liu說，“這是(shi)神(shen)經網絡(luo)首次應用于金屬增材制造(zao)過程的建(jian)模（metal additive manufacturing process modeling），顯(xian)示出基于物理的機(ji)器學習（physics-informed machine learning）在增材制造(zao)領(ling)域(yu)具有巨大潛力(li)。”

增(zeng)材(cai)制(zhi)造能(neng)夠讓人(ren)們(men)在(zai)制(zhi)造業（manufacturing）、汽(qi)車工程(cheng)（automotive engineering）甚至(zhi)外太空(kong)（outer space）中按(an)需生產零(ling)件或產品，減少材(cai)料浪費的可能(neng)性。Zhu Zeliang Liu認為(wei)，未來(lai)工程(cheng)師(shi)將使用神經網絡作為(wei)快速預測工具(ju)，在(zai)預測增(zeng)材(cai)制(zhi)造過程(cheng)時，提供參數設置的建議(yi)。

來源：Scienmag和GE additive