Информационный ИИ из Нанкина: прорыв в прогнозировании температуры для аддитивного производства металлов в реальном времени

Исследователи из Университета Нанкинской Технологии разработали инновационную модель искусственного интеллекта, которая представляет собой значительный прогресс в области аддитивного производства. Эта система, основанная на физических принципах, предназначена для оперативного прогнозирования температурных режимов в процессе дугового аддитивного производства с использованием проволоки (WAAM).

Публикация результатов этой работы в авторитетном журнале Communications Engineering знаменует собой важный этап на пути к повышению качества и стабильности металлических напечатанных деталей. Суть разработки заключается в создании физически-информированной рекуррентной нейронной сети геометрического типа. Этот гибридный подход успешно объединяет фундаментальные законы физики с мощью глубокого обучения, что позволяет динамически моделировать тепловое поведение материала.

Критически важным достижением является скорость работы: в то время как традиционные методы, такие как конечно-элементное моделирование, могут требовать до часа для получения точных результатов, новая модель демонстрирует поразительную производительность, обеспечивая прогнозирование всего за 12 миллисекунд. Это критически важно для внедрения замкнутых циклов обратной связи в промышленных процессах.

Команда, возглавляемая Минсюанем Тянем из Школы Механики и Энергетики, решила двойную задачу: преодоление вычислительной медлительности классических симуляций и минимизация накопления ошибок, характерных для чисто дата-ориентированных моделей. В ходе экспериментов, включавших печать тонкостенных стальных конструкций слой за слоем с использованием роботизированной установки WAAM, модель показала максимальную погрешность прогноза около 4,5% в симуляциях и 13,9% в реальных испытаниях.

Система способна стабильно прогнозировать эволюцию температуры на период до 10 секунд, что является ключевым окном для управления тепловыми потоками и снижения остаточных напряжений. Контроль температуры в металлическом 3D-печати является краеугольным камнем, поскольку неравномерный нагрев или охлаждение неизбежно приводят к дефектам, таким как трещины и деформации, подрывая целостность конечного изделия.

Внедрение физических ограничений непосредственно в архитектуру нейронной сети гарантирует, что прогнозы остаются физически обоснованными, что позволяет системе эффективно обобщать данные для различных геометрических форм и режимов процесса. Более того, исследователи отметили, что сокращение времени обучения за счет трансферного обучения значительно повышает практическую применимость и адаптивность этой технологии к разнообразным производственным условиям. Этот методологический скачок открывает перспективы для реализации систем прямого управления (feed-forward control) в аддитивном производстве, позволяя машинам корректировать параметры, такие как подвод тепла или скорость подачи проволоки, до возникновения проблем.