Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition
تقدم هذه الورقة إطار عمل لنقل التعلم من المحاكاة إلى الواقع يستفيد من شبكة عصبية تلافيفية هجينة متعددة المدخلات، مدربة مسبقاً على محاكاة قائمة على الفيزياء ومُعدلة بدقة باستخدام بيانات تجريبية محدودة، لتحقيق تنبؤ دقيق وفي الوقت الفعلي لعرض وعمق حوض المنصهر في عملية الترسيب بالترسيب الموجه للطاقة، مما يتغلب على الحاجز القائم منذ فترة طويلة المتمثل في القياس غير المباشر للعمق من أجل التحكم في الحلقة المغلقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لطالما اعتمد تصنيع المعادن على القدرة على صهر ودمج المواد بدقة فائقة، وهي عملية تبني أجزاءً معقدة طبقة تلو الأخرى. وفي إحدى التقنيات المتقدمة المعروفة باسم الترسيب بالبثق الموجه للطاقة، يقوم شعاع ليزر قوي بصهر مسحوق المعدن أثناء رشه على سطح ما، مما يخلق حوضًا صغيرًا متوهجًا من المعدن المنصهر. ويحدد شكل وحجم هذا الحوض المنصهر ما إذا كان الجزء النهائي سيكون قويًا وخاليًا من العيوب أم مليئًا بالشقوق الخفية ونقاط الضعف. تكمن المشكلة في أن الجزء الأكثر أهمية من هذا الحوض — وهو العمق الذي ينصهر إليه المعدن — يحدث تحت السطح، وهو غير مرئي للعين المجردة ويستحيل قياسه أثناء تشغيل الآلة. ولعقود من الزمن، اضطر المهندسون إلى إيقاف الآلة، وقطع الجزء إلى نصفين، وفحصه تحت المجهر لمعرفة ما إذا كانت العملية قد نجحت، وهي طريقة بطيئة ومدمرة لا تترك مجالًا للتصحيح في الوقت الفلي.
لقد طور فريق من الباحثين في معهد ستيفنز للتكنولوجيا طريقة جديدة لرؤية ما لا يُرى. فقد أنشأوا نظامًا يستخدم الذكاء الاصطناعي للتنبؤ بالعمق الخفي للحوض المنصهر في الوقت الفعلي، باستخدام الأنماط الحرارية المرئية على السطح وإعدادات الليزر فقط. ومن خلال تعليم الكمبيوتر التعلم من مكتبة ضخمة من المحاكاة الحاسوبية أولاً، ثم صقل تلك المعرفة بمجموعة صغيرة من البيانات الواقعية، بنوا نموذجًا يمكنه مراقبة عملية الطباعة وإخبار المشغلين فورًا بمدى عمق انصهار المعدن. هذا النهج يسد الفجوة بين الفيزياء النظرية والواقع الفوضوي لأرض المصنع، مما يوفر مسارًا نحو تصنيع أجزاء يمكن مراقبتها وتصحيحها أثناء صنعها، بدلًا من فحصها بعد الانتهاء منها.
إن التحدي الجوهري في هذا المجال هو أن الحوض المنصهر هو حدث عابر وفوضوي. فبينما يتحرك الليزر عبر المعدن، فإنه يخلق حوضًا يتغير باستمرار، حيث تتوزع الحرارة للخارج ويتدفق المعدن بطرق معقدة. وبينما يمكن للكاميرات رؤية عرض الحوض على السطح بسهولة، يظل العمق لغزًا حتى يتم تدمير الجزء. ولحل هذه المشكلة، لجأ الباحثون إلى طريقة تسمى "تعلم النقل" (transfer learning). تخيل طالبًا يقضي سنوات في دراسة كتب الفيزياء وحل آلاف المسائل التدريبية في فصل دراسي هادئ قبل أن يخطو قدمه أبدًا إلى مختبر حقيقي. هذا الطالب يفهم بالفعل القواعد الأساسية للعالم، لذا عندما يواجه أخيرًا تجربة حقيقية، فإنه يحتاج إلى وقت أقل بكulu بكثير لتعلم تفاصيل ذلك الإعداد المحدد. طبق الباحثون نفس المنطق على نموذج الكمبيوتر الخاص بهم.
أولًا، قاموا بتوليد مجموعة بيانات ضخمة باستخدام محاكاة حاسوبية قائمة على الفيزياء. لقد قاموا بنمذجة سلوك الفولاذ المقاوم للصدأ أثناء تسخينه بواسطة الليزر، مما خلق أكثر من 1300 سيناريو مختلف بتباين في قدرة الليزر وسرعته وحجم البقعة. في هذا العالم الافتراضي، كان الكمبيوتر يعرف العمق والعرض الدقيق لكل حوض منصهر أنشأه. استخدموا هذه البيانات المحاكاتية لتدريب شبكة عصبية معقدة، وهي نوع من أنواع الذكاء الاصطناعي المصمم للتعرف على الأنماط. تعلمت الشبكة ربط الأنماط الحرارية على السطح بالعمق الخفي أدناه، مما بنى فهمًا قويًا للفيزياء المعنية. ومع ذلك، أدرك الباحثون أن النموذج المدرب فقط على محاكاة حاسوبية مثالية سيعاني عند مواجهة الضجيج والانعكاسات والعيوب في آلة حقيقية.
ولسد هذه الفجوة، أخذوا النموذج المدرب مسبقًا وقاموا بضبطه بدقة باستخدام مجموعة صغيرة من البيانات التجريبية الحقيقية. أجروا تجارب طباعة لمسارات مفردة على آلة حقيقية، ملتقطين صورًا حرارية عالية السرعة للحوض المنصهر. ولتعليم الكمبيوتر كيف تبدو الأحواض الحقيقية، كان عليهم قطع المسارات المطبوعة وقياس العمق والعرض الفعلي تحت المجهر. ولأنهم لم يتمكنوا من قياس كل إطار من الفيديو، فقد استخدموا طريقة إحصائية لتعيين هذه القيم المقاسة للصور، مما خلق مجموعة تدريب مكونة من حوالي 550 صورة مصنفة. وعندما أدخلوا هذه البيانات الحقيقية في النموذج، قامت الشبكة بتعديل إعداداتها الداخلية لتأخذ في الاعتبار الاختلافات بين المحاكاة النظيفة والعالم الحقيقي المليء بالضجيج.
أظهرت النتائج أن هذا النهج المكون من خطوتين كان متفوقًا بمراحل على تدريب نموذج من الصفر باستخدام البيانات الواقعية المحدودة فقط. فعندما اختبر الباحثون النماذج على وظائف طباعة جديدة لم يسبق رؤيتها، حقق النظام المدرب بمساعدة المحاكاة أخطاء أقل بكثير. بالنسبة للتنبؤ بعرض الحوض، كان النموذج المدرب بمساعدة المحاكاة دقيقًا بنسبة تقارب 7 في المائة، بينما كان النموذج المدرب على البيانات الواقعية فقط يخطئ بنسبة تقارب 30 في المائة. وكان الفرق أكثر دراماتيكية بالنسبة للعمق، وهو المتغير الأصعب في التنبؤ. فقد تنبأ النموذج المدرب بمساعدة المحاكاة بالعمق بنسبة خطأ بلغت حوالي 22 في المائة، بينما أخطأ النموذج المدرب بدون مساعدة المحاكاة بنسبة تقارب 75 في المائة. وفي الحالات الأكثر صعوبة، حيث كانت البيانات نادرة للغاية، حافظ النموذج المدرب بالمحاكاة على مستوى عالٍ من الدقة بينما فشل النموذج الآخر في تعلم الأنماط الصحيحة على الإطلاق.
اكتشف الباحثون أيضًا أن النظام يعمل بشكل أفضل عندما يجمع بين نوعين من المعلومات: الصور الحرارية للحوض وإعدادات الليزر المحددة. وفرت الصور الشكل البصري للحرارة، مما ساعد في تحديد العرض، بينما وفرت إعدادات الليزر سياق الطاقة اللازم لتخمين العمق. وعندما اختبروا النظام في الوقت الفعلي على ست وظائف طباعة مختلفة استخدمت إعدادات لم يرها الكمبيوتر من قبل، نجح النظام في تتبع تغير هندسة الحوض مع تحرك الليزر. لقد حدد بشكل صحيح متى كان الحوض ضحلًا جدًا، وهي حالة تؤدي غالبًا إلى أجزاء ضعيفة، بينما بالغ النموذج غير المدعوم باستمرار في تقدير العمق وأخطأ في رصد هذه العيوب.
يبرهن هذا العمل على أنه من الممكن جلب قوة المحاكاة الفيزيائية إلى عالم التصنيع الحقيقي دون الحاجة إلى آلاف التجارب المكلفة والمستهلكة للوقت. فمن خلال استخدام المحاكاة لتعليم الذكاء الاصطناعي قواعد اللعبة والبيانات الحقيقية لتعليمه تفاصيل الآلة المحددة، أنشأ الباحثون أداة تتسم بالدقة والكفاءة في آن واحد. لا يتنبأ النظام بالأرقام فحسب؛ بل يقدم طريقة لمراقبة صحة عملية التصنيع أثناء حدوثها، مما يسمح للآلات بالضبط الذاتي لتجنب العيوب. وبينما لا تزال هذه التكنولوجيا قيد التطوير، فإن الدراسة تثبت أن الجمع بين وضوح النماذج الحاسوبية وواقع التجارب الفيزيائية يمكن أن يحل مشكلات كانت تُعتبر ذات يوم صعبة للغاية بحيث لا يمكن معالجتها في الوقت الفعلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.