Doorbraak in Nanjing: AI voorspelt temperatuur bij metaal 3D-printen in realtime

Onderzoekers van de Nanjing University of Technology hebben een baanbrekende, op fysica gebaseerde kunstmatige intelligentie (AI) ontwikkeld. Dit innovatieve systeem vertegenwoordigt een significante stap voorwaarts binnen de wereld van additieve productie. Het primaire doel van dit model is het snel en accuraat voorspellen van de thermische regimes tijdens het Wire Arc Additive Manufacturing (WAAM) proces.

De resultaten van dit belangrijke werk zijn gepubliceerd in het gerespecteerde tijdschrift Communications Engineering. Deze publicatie markeert een cruciale mijlpaal in de zoektocht naar een hogere kwaliteit en stabiliteit van 3D-geprinte metalen componenten. De kern van de ontwikkeling is een zogenaamd fysiek-geïnformeerd recurrent geometrisch neuraal netwerk. Deze hybride aanpak combineert de fundamentele wetten van de fysica met de rekenkracht van diep leren, waardoor het thermische gedrag van het materiaal dynamisch gemodelleerd kan worden.

De snelheid waarmee dit nieuwe model functioneert, is een kritieke prestatie. Waar conventionele methoden, zoals eindige-elementenmodellering, soms wel een uur nodig hebben om nauwkeurige uitkomsten te leveren, blinkt het nieuwe AI-model uit door zijn verbazingwekkende efficiëntie. Het levert een voorspelling in slechts 12 milliseconden. Dit razendsnelle vermogen is essentieel voor de implementatie van gesloten feedbackloops in industriële productieprocessen.

Het team, geleid door Minxuan Tian van de School of Mechanical and Energy Engineering, stond voor een dubbele uitdaging: het omzeilen van de trage rekensnelheid van klassieke simulaties en het minimaliseren van de foutenaccumulatie die vaak optreedt bij puur data-gedreven modellen. Tijdens de experimenten, waarbij dunwandige staalconstructies laag voor laag werden geprint met een gerobotiseerde WAAM-opstelling, liet het model indrukwekkende nauwkeurigheid zien. De maximale voorspellingsfout bedroeg ongeveer 4,5% in simulaties en 13,9% tijdens de feitelijke, reële testen.

Het systeem is in staat om de temperatuurevolutie stabiel te voorspellen over een periode van maximaal 10 seconden. Dit tijdvenster is cruciaal voor het effectief beheersen van thermische stromen en het verminderen van restspanningen. Temperatuurbeheersing is de hoeksteen van metaal 3D-printen, aangezien ongelijke verwarming of afkoeling onvermijdelijk leidt tot defecten zoals scheuren en vervormingen, wat de integriteit van het eindproduct ernstig ondermijnt.

Door fysieke beperkingen direct in de architectuur van het neurale netwerk te integreren, wordt gegarandeerd dat de voorspellingen altijd fysiek consistent en gefundeerd blijven. Hierdoor kan het systeem de data effectief generaliseren naar uiteenlopende geometrische vormen en procesmodi. De onderzoekers benadrukten bovendien dat het verkorten van de trainingstijd door middel van transfer learning de praktische toepasbaarheid en het aanpassingsvermogen van deze technologie aan diverse productieomstandigheden aanzienlijk verhoogt. Deze methodologische sprong opent de deur naar de implementatie van feed-forward controlesystemen in additieve productie, wat machines in staat stelt om parameters, zoals warmtetoevoer of draadaanvoersnelheid, proactief aan te passen nog voordat er problemen ontstaan.