近日，蘋果軟件工程師 Zhu Zeliang Liu 和伊利諾伊大學(xué)土木與環(huán)境工程教授 Jinhui Yan 正在嘗試使用機器學(xué)習(xí)來預(yù)測增材制造（Additive Manufacturing，AM）過程。

增材制造技術(shù)與 3D 打印技術(shù)所類似，但兩者仍有差異。根據(jù) GE additive 的描述，3D 打印一般采用噴墨式（inkjet-style），適合普通消費者的個性化需求。而增材制造的工藝比 3D 打印要工業(yè)化許多，在一些特定情況下能夠作為數(shù)控加工（CNC machining）、注射成型（injection molding）和熔模制造（investment casting）的替代方案，在工業(yè)制造中節(jié)省更多成本，更符合制造商的需要。

然而，提前預(yù)測增材制造過程是一個挑戰(zhàn)。

一、預(yù)測增材制造過程中受到物質(zhì)轉(zhuǎn)化的影響，不容易被預(yù)測

伊利諾伊大學(xué)博士生 Qiming Zhu 說，“在預(yù)測增材制造過程時，需要將多個變量都考慮進去，例如氣體、液體和固體，以及它們之間的轉(zhuǎn)化”。同時，他也強調(diào)增材制造過程會受到廣泛的空間和時間尺度（spatial and temporal scales，打印物品的大小和花費的時間長度）的影響，小范圍的測試可能和增材制造的成品有巨大差距。

Zhu Zeliang Liu 和 Jinhui Yan 組成了團隊，嘗試使用機器學(xué)習(xí)來解決這些問題。他們嘗試用深度學(xué)習(xí)（deep learning）和神經(jīng)網(wǎng)絡(luò)（neural network）來預(yù)測增材制造過程中的每一步步驟。

二、團隊嘗試?yán)梦锢硇畔⑸窠?jīng)網(wǎng)絡(luò)來構(gòu)建預(yù)測模型

當(dāng)前主流的神經(jīng)網(wǎng)絡(luò)模型都需要大量數(shù)據(jù)來進行模擬訓(xùn)練。但在增材制造領(lǐng)域，獲得高保真的數(shù)據(jù)是一件很困難的事情。Zhu Zeliang Liu 表示，為了減少對數(shù)據(jù)的需求，團隊嘗試研究“物理信息神經(jīng)網(wǎng)絡(luò)（physics informed neural networking）”或 PINN。

“通過合并守恒定律（incorporating conservation laws），并用偏微分方程表示（partial differential equations），我們可以減少訓(xùn)練所需的數(shù)據(jù)量并提高我們當(dāng)前模型的能力?！彼f。

三、該模型的預(yù)測結(jié)果準(zhǔn)確度高達九成以上

該團隊模擬了兩個基準(zhǔn)實驗的動態(tài)（simulated the dynamics of two benchmark experiments）：一個是當(dāng)固體和液態(tài)金屬相互作用的 1D 凝固（1D solidification）實驗；另一個是激光束熔化試驗（laser beam melting tests），選自 2018 年 NIST 增材制造基準(zhǔn)測試系列（2018 NIST Additive Manufacturing Benchmark Test Series）。

在 1D 凝固案例中，他們將實驗數(shù)據(jù)輸入到他們的神經(jīng)網(wǎng)絡(luò)模型中。在激光束熔化測試中，他們使用了實驗數(shù)據(jù)以及計算機模擬的結(jié)果。

該團隊的神經(jīng)網(wǎng)絡(luò)模型能夠重現(xiàn)這兩個實驗的動態(tài)。在 NIST Challenge 的情況下，它預(yù)測了實驗中的溫度（temperature）和熔池長度（melt pool length），誤差在實際結(jié)果的 10% 以內(nèi)。這個結(jié)果顯示該模型已經(jīng)具備預(yù)測增材制造過程的能力。

結(jié)論：預(yù)測增材制造過程的技術(shù)，在工業(yè)制造領(lǐng)域有廣泛的前景

在 2021 年一月，該團隊已經(jīng)在 Computational Mechanics 上發(fā)表了他們的研究成果。Zhu Zeliang Liu 說，“這是神經(jīng)網(wǎng)絡(luò)首次應(yīng)用于金屬增材制造過程的建模（metal additive manufacturing process modeling），顯示出基于物理的機器學(xué)習(xí)（physics-informed machine learning）在增材制造領(lǐng)域具有巨大潛力?！?/p>

增材制造能夠讓人們在制造業(yè)（manufacturing）、汽車工程（automotive engineering）甚至外太空（outer space）中按需生產(chǎn)零件或產(chǎn)品，減少材料浪費的可能性。Zhu Zeliang Liu 認(rèn)為，未來工程師將使用神經(jīng)網(wǎng)絡(luò)作為快速預(yù)測工具，在預(yù)測增材制造過程時，提供參數(shù)設(shè)置的建議。