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(jī)器學(xué)習(xí)來(lái)預(yù)測(cè)增材制造（Additive Manufacturing，AM）過(guò)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(fèi)者的個(gè)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(cè)增材制造過(guò)程是一個(gè)挑戰(zhàn)。

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

伊利諾伊大學(xué)博士生 Qiming Zhu 說(shuō)，“在預(yù)測(cè)增材制造過(guò)程時(shí)，需要將多個(gè)變量都考慮進(jìn)去，例如氣體、液體和固體，以及它們之間的轉(zhuǎn)化”。同時(shí)，他也強(qiáng)調(diào)增材制造過(guò)程會(huì)受到廣泛的空間和時(shí)間尺度（spatial and temporal scales，打印物品的大小和花費(fèi)的時(shí)間長(zhǎng)度）的影響，小范圍的測(cè)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(tuán)隊(duì)，嘗試使用機(jī)器學(xué)習(xí)來(lái)解決這些問(wèn)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(lái)預(yù)測(cè)增材制造過(guò)程中的每一步步驟。

二、團(tuán)隊(duì)嘗試?yán)梦锢硇畔⑸窠?jīng)網(wǎng)絡(luò)來(lái)構(gòu)建預(yù)測(cè)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(lái)進(jìn)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(duì)數(shù)據(jù)的需求，團(tuán)隊(duì)嘗試研究“物理信息神經(jīng)網(wǎng)絡(luò)（physics informed neural networking）”或 PINN。

“通過(guò)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(shuō)。

三、該模型的預(yù)測(cè)結(jié)果準(zhǔn)確度高達(dá)九成以上

該團(tuán)隊(duì)模擬了兩個(gè)基準(zhǔn)實(shí)驗(yàn)的動(dòng)態(tài)（simulated the dynamics of two benchmark experiments）：一個(gè)是當(dāng)固體和液態(tài)金屬相互作用的 1D 凝固（1D solidification）實(shí)驗(yàn)；另一個(gè)是激光束熔化試驗(yàn)（laser beam melting tests），選自 2018 年 NIST 增材制造基準(zhǔn)測(cè)試系列（2018 NIST Additive Manufacturing Benchmark Test Series）。

在 1D 凝固案例中，他們將實(shí)驗(yàn)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(cè)試中，他們使用了實(shí)驗(yàn)數(shù)據(jù)以及計(jì)算機(jī)模擬的結(jié)果。

該團(tuán)隊(duì)的神經(jīng)網(wǎng)絡(luò)模型能夠重現(xiàn)這兩個(gè)實(shí)驗(yàn)的動(dòng)態(tài)。在 NIST Challenge 的情況下，它預(yù)測(cè)了實(shí)驗(yàn)中的溫度（temperature）和熔池長(zhǎng)度（melt pool length），誤差在實(shí)際結(jié)果的 10% 以內(nèi)。這個(gè)結(jié)果顯示該模型已經(jīng)具備預(yù)測(cè)增材制造過(guò)程的能力。

結(jié)論：預(yù)測(cè)增材制造過(guò)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(tuán)隊(duì)已經(jīng)在 Computational Mechanics 上發(fā)表了他們的研究成果。Zhu Zeliang Liu 說(shuō)，“這是神經(jīng)網(wǎng)絡(luò)首次應(yīng)用于金屬增材制造過(guò)程的建模（metal additive manufacturing process modeling），顯示出基于物理的機(jī)器學(xué)習(xí)（physics-informed machine learning）在增材制造領(lǐng)域具有巨大潛力。”

增材制造能夠讓人們?cè)谥圃鞓I(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(fèi)的可能性。Zhu Zeliang Liu 認(rèn)為，未來(lái)工程師將使用神經(jīng)網(wǎng)絡(luò)作為快速預(yù)測(cè)工具，在預(yù)測(cè)增材制造過(guò)程時(shí)，提供參數(shù)設(shè)置的建議。