L'IA génère des parties manquantes de la distribution de température

Avant que les ingénieurs de l'Université Carnegie Mellon ne commencent à mener des expériences de fabrication additive (FA) dans deux laboratoires dédiés équipés d'une gamme impressionnante d'équipements d'impression 3D, ils s'appuient souvent sur la puissance de l'intelligence artificielle pour développer des modèles pouvant être utilisés pour surveiller et contrôler le processus de construction. Parmi les nombreux modèles qu’ils développent et testent actuellement, il y en a un qui peut surveiller et contrôler avec précision la température.

La température affecte la géométrie du bain de fusion, la formation de défauts et l'évolution de la microstructure. Ainsi, la capacité de prédire et de contrôler avec précision la température constitue un tremplin important vers l’optimisation du processus de fabrication additive et la garantie de la qualité des pièces imprimées.

Actuellement, ni les capteurs thermiques in situ ni les méthodes de modélisation informatique n'ont été capables de reconstruire avec précision le profil de température tridimensionnel complet en temps réel.

Les capteurs thermiques in situ existants, notamment les thermocouples, les caméras infrarouges (IR) et les pyromètres à plusieurs longueurs d'onde, qui ont été utilisés pour surveiller la température des pièces pendant le traitement, ne fournissent que des mesures partielles de la répartition de la température sur la pièce.

Les modèles basés sur les données ne peuvent fournir des prévisions précises que sur un horizon temporel court en raison des erreurs qui ont tendance à s'accumuler avec le temps. Et les modèles numériques haute fidélité peuvent générer des distributions de température pour la pièce entière, mais ils ne sont pas adaptés à la surveillance en temps réel en raison de leurs exigences informatiques élevées.

Jiangce Chen, chercheur postdoctoral au Manufacturing Futures Institute, travaillant sous la direction de Sneha Prabha Narra et Christopher McComb, a trouvé un moyen de reconstruire le profil complet de température en temps réel en utilisant uniquement les données partielles disponibles auprès des capteurs in situ.

Inspiré par l'image inpainting, une technique bien établie de vision par ordinateur et de traitement d'image, Chen a développé un cadre hybride qui utilise une combinaison de capteurs thermiques, de simulations numériques et d'apprentissage automatique (ML) pour restaurer efficacement l'historique complet de température des pièces fabriquées de manière additive. .

« Nous voulions utiliser des outils informatiques pour montrer comment la chaleur évolue tout au long du processus de fabrication de fabrication additive », a expliqué Chen, qui a ajouté : « En surveillant la température en temps réel, nous pouvons développer des systèmes automatisés capables d'effectuer des ajustements pour produire les pièces qualifiées nécessaires. dans des applications exigeantes telles que l'aérospatiale.

La collaboration entre des ingénieurs possédant une solide expérience à la fois dans la fabrication additive et dans les outils informatiques avancés est ce qui peut conduire à de telles avancées.

« Ce qui est vraiment unique dans ce nouveau modèle, c'est sa capacité à s'entraîner sur des données de simulation. Ces expériences de fabrication additive coûtent très cher, nous sommes donc ravis de pousser jusqu'où nous pouvons aller avec les simulations », a expliqué McComb, professeur agrégé de mécanique. ingénierie.

Le cadre développé par Chen alimente les données de distribution partielle de température obtenues à partir des capteurs thermiques dans un modèle ML similaire à un modèle d'inpainting d'image, qui, au lieu de générer des parties manquantes d'une image, génère la distribution de température sur la partie entière.

Leur modèle d'inpainting est formé sur un ensemble de données généré par un modèle numérique calibré à l'aide de données expérimentales et est capable de restaurer la distribution complète de la température de la pièce en temps réel. L'ensemble de données de modélisation numérique contient des historiques de température de pièces avec diverses géométries, ce qui permettra au modèle d'inpainting d'être généralisé à la large gamme de géométries de pièces pour lesquelles la fabrication additive est utilisée.

Étant donné que les méthodes d'inpainting sont traditionnellement appliquées à la restauration de données structurées en 2D, telles que des images, Chen et son équipe ont dû trouver un moyen de simuler divers modèles géométriques pour le processus de fabrication additive qui existent en 3D.

En employant des réseaux de neurones convolutifs graphiques (GCNN) qui peuvent être utilisés pour représenter des données non structurées au lieu des réseaux de neurones convolutifs (CNN) qui sont inefficaces pour les pièces 3D avec diverses géométries, leur méthode leur permet de modéliser la construction couche par couche de Pièces imprimées en 3D.

Pour évaluer les performances du modèle d'inpainting sur des géométries individuelles, ils ont entraîné le modèle séparément sur les données d'entraînement de chaque géométrie et l'ont testé sur les données de test de la même géométrie. Le modèle ML a fonctionné exceptionnellement bien en capturant les modèles physiques de distribution de température dans des données de test partageant une géométrie similaire et étant générées à l'aide du même modèle numérique que les données d'entraînement.

Pour évaluer la généralisabilité du modèle ML à des géométries invisibles au cours du processus de formation, ils ont également effectué une validation croisée 10 fois sans intervention. À chaque tour, les données de neuf des dix modèles géométriques ont été utilisées pour la formation, tandis que le reste a été utilisé pour la validation.

Compte tenu de la petite échelle de l'ensemble de données d'entraînement, composé de seulement neuf géométries, les performances globales du modèle ML lors des autres cycles de validation étaient remarquablement bonnes. Cela implique que la généralisabilité du modèle ML pourrait être améliorée en élargissant l'ensemble de données de formation pour inclure une plus grande variété de géométries.

Enfin, les chercheurs ont évalué les performances du modèle ML sur les données expérimentales du processus de fabrication des murs afin de déterminer comment différents traitements des données d'entraînement affectaient ses performances.

Lors du premier processus de formation, le modèle ML a été formé sur les « données normales » constituées de toutes les données de simulation des modèles géométriques complexes, à l'exception du mur. Dans le deuxième processus, le modèle ML a été formé exclusivement sur les « données de simulation de mur ». Et, dans le troisième processus, ils ont augmenté les « données normales » avec les « données de simulation de mur ».

Ce qu’ils ont découvert, c’est qu’il existait des différences significatives entre les données de simulation et les données expérimentales. Lorsque le modèle ML a été formé uniquement sur les données de simulation de construction de murs, il n'a pas réussi à capturer efficacement les modèles présents dans les données expérimentales.

Cependant, le processus de données augmentées a constamment démontré des améliorations constantes au cours de la formation et a obtenu les meilleures performances parmi les trois processus, indiquant que le modèle ML est capable de synthétiser les modèles qu'il apprend d'autres géométries avec les caractéristiques géométriques qu'il apprend des données de simulation de mur. En intégrant ces connaissances, le modèle ML peut mieux prédire les données expérimentales de construction de murs.

Outre les résultats prometteurs de ces travaux, les chercheurs sont convaincus qu’ils peuvent apporter de nouvelles améliorations. En utilisant des modèles numériques basés sur la physique plus avancés pour améliorer la qualité de l'ensemble de données de formation, les chercheurs pourront améliorer sa fidélité dans les applications du monde réel. Ils pensent également que des recherches supplémentaires sont nécessaires pour examiner comment la résolution des données affecte la capacité du modèle ML à maintenir une grande précision.

Les chercheurs souhaitent également recueillir davantage d'informations sur la capacité des caméras infrarouges à capturer toute la limite de la géométrie complexe d'un objet et élargir les travaux futurs pour inclure l'utilisation d'un système de détection thermique impliquant plusieurs types de capteurs thermiques, tels que des caméras bicolores et des thermocouples. .