Przełomowa sztuczna inteligencja z Nankinu: Prognozowanie temperatury w czasie rzeczywistym dla metalowego druku 3D

Naukowcy z Uniwersytetu Technologicznego w Nankinie (Nanjing University of Technology) osiągnęli znaczący postęp w dziedzinie wytwarzania przyrostowego, opracowując innowacyjny model sztucznej inteligencji. System ten, oparty na fundamentalnych zasadach fizycznych, został zaprojektowany do błyskawicznego przewidywania reżimów temperaturowych w procesie łukowego wytwarzania przyrostowego z użyciem drutu (Wire Arc Additive Manufacturing, WAAM). To osiągnięcie ma potencjał, by zrewolucjonizować kontrolę jakości i stabilność w produkcji metalowych komponentów.

Publikacja wyników badań w prestiżowym czasopiśmie Communications Engineering stanowi kamień milowy na drodze do zwiększenia stabilności i poprawy jakości drukowanych części metalowych. Sednem tej innowacji jest stworzenie geometrycznej rekurencyjnej sieci neuronowej, która jest informowana fizycznie. To hybrydowe podejście skutecznie łączy fundamentalne prawa fizyki z potężnymi możliwościami głębokiego uczenia maszynowego, umożliwiając dynamiczne modelowanie zachowania cieplnego materiału podczas procesu druku.

Kluczowym i przełomowym aspektem jest niewiarygodna szybkość działania nowego modelu. Podczas gdy konwencjonalne metody symulacyjne, takie jak modelowanie elementów skończonych, mogą wymagać nawet godziny, aby dostarczyć precyzyjne wyniki, model opracowany przez chińskich badaczy demonstruje zdumiewającą wydajność. Jest on zdolny do prognozowania w zaledwie 12 milisekund. Ta błyskawiczna reakcja jest absolutnie niezbędna do efektywnego wdrożenia pętli sprzężenia zwrotnego w warunkach przemysłowych.

Zespół badawczy, któremu przewodził Minxuan Tian ze Szkoły Inżynierii Mechanicznej i Energetycznej (School of Mechanical and Energy Engineering), zmierzył się z podwójnym wyzwaniem: pokonaniem powolności obliczeniowej klasycznych symulacji oraz minimalizacją kumulacji błędów, która jest typowa dla modeli opartych wyłącznie na danych. W trakcie przeprowadzonych eksperymentów, które obejmowały warstwowe drukowanie cienkościennych konstrukcji stalowych za pomocą zrobotyzowanej instalacji WAAM, model wykazał maksymalny błąd prognozy na poziomie około 4,5% w symulacjach. W rzeczywistych testach błąd ten wyniósł 13,9%.

System jest w stanie stabilnie prognozować ewolucję temperatury na horyzoncie czasowym sięgającym 10 sekund. Ten dziesięciosekundowy interwał jest kluczowy dla zarządzania przepływami ciepła i redukcji naprężeń szczątkowych. Kontrola temperatury w metalowym druku 3D jest fundamentem, ponieważ nierównomierne nagrzewanie lub chłodzenie nieuchronnie prowadzi do powstawania defektów, takich jak pęknięcia i deformacje, co zagraża integralności końcowego produktu i obniża jego trwałość.

Włączenie ograniczeń fizycznych bezpośrednio w architekturę sieci neuronowej zapewnia, że prognozy pozostają zgodne z prawami natury, a nie są jedynie statystycznymi przewidywaniami. Dzięki temu system może efektywnie uogólniać dane dla różnorodnych geometrii i trybów procesu produkcyjnego. Co więcej, naukowcy podkreślili, że skrócenie czasu szkolenia poprzez transfer learning znacząco zwiększa praktyczną adaptacyjność tej technologii do zróżnicowanych warunków. Ten skok metodologiczny otwiera drogę do systemów sterowania wyprzedzającego (feed-forward control) w produkcji przyrostowej, umożliwiając maszynom korygowanie parametrów, takich jak dopływ ciepła czy prędkość podawania drutu, zanim jeszcze pojawią się potencjalne problemy jakościowe.