Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

Die Metallverarbeitung stützt sich seit langem auf die Fähigkeit, Materialien mit extremer Präzision zu schmelzen und zu verschmelzen – ein Prozess, der komplexe Teile Schicht für Schicht aufbaut. In einer fortschrittlichen Technik namens gerichteter Energieabscheidung (Directed Energy Deposition) schmilzt ein leistungsstarker Laserstrahl Metallpulver, während es auf eine Oberfläche gespritzt wird, wodurch ein kleines, glühendes Schmelzbad entsteht. Die Form und Größe dieses Schmelzbades entscheiden darüber, ob das fertige Bauteil stark und makellos oder voller verborgener Risse und Schwachstellen ist. Das Problem ist, dass der kritischste Teil dieses Bades – die Tiefe, in die das Metall schmilzt – unter der Oberfläche liegt, unsichtbar für das bloße Auge und unmöglich zu messen, während die Maschine läuft. Jahrzehntelang mussten Ingenieure die Maschine stoppen, das Teil aufschneiden und es unter einem Mikroskop untersuchen, um zu sehen, ob der Prozess funktioniert hat – eine langsame und zerstörende Methode, die keinen Raum für Korrekturen in Echtzeit lässt.

Ein Forscherteam am Stevens Institute of Technology hat einen neuen Weg entwickelt, das Unsichtbare sichtbar zu machen. Sie entwickelten ein System, das künstliche Intelligenz nutzt, um die verborgene Tiefe des Schmelzbades in Echtzeit vorherzusagen, und zwar allein basierend auf den auf der Oberfläche sichtbaren Wärmemustern und den Einstellungen des Lasers. Indem sie einen Computer dazu brachten, zunächst aus einer riesigen Bibliothek von Computersimulationen zu lernen und dieses Wissen dann mit einer kleinen Menge an realen Daten zu verfeinern, bauten sie ein Modell auf, das den Druckprozess beobachten und dem Bediener sofort mitteilen kann, wie tief das Metall schmilzt. Dieser Ansatz überbrückt die Lücke zwischen theoretischer Physik und der chaotischen Realität einer Fabrikhalle und bietet einen Weg zur Herstellung von Teilen, die überwacht und korrigiert werden, während sie entstehen, anstatt sie erst nach der Fertigstellung zu inspizieren.

Die Kernherausforderung in diesem Bereich besteht darin, dass das Schmelzbad ein flüchtiges, chaotisches Ereignis ist. Während sich der Laser über das Metall bewegt, erzeugt er ein Bad, das sich ständig verändert, wobei die Wärme nach außen strahlt und das Metall auf komplexe Weise fließt. Kameras können die Breite des Bades auf der Oberfläche leicht erfassen, aber die Tiefe bleibt ein Mysterium, bis das Teil zerstört wird. Um dies zu lösen, wandten die Forscher eine Methode namens Transfer Learning an. Stellen Sie sich einen Studenten vor, der Jahre in Physik-Lehrbüchern verbringt und tausende Übungsaufgaben in einem ruhigen Klassenzimmer löst, bevor er jemals ein echtes Labor betritt. Dieser Student versteht bereits die grundlegenden Regeln der Welt, sodass er, wenn er schließlich vor einem echten Experiment steht, viel weniger Zeit benötigt, um die Besonderheiten dieses speziellen Aufbaus zu lernen. Die Forscher wandten dieselbe Logik auf ihr Computermodell an.

Zuerst erzeugten sie einen massiven Datensatz mithilfe einer physikbasierten Computersimulation. Sie modellierten das Verhalten von Edelstahl, während dieser durch einen Laser erhitzt wurde, und erstellten über 1.300 verschiedene Szenarien mit variierenden Laserleistungen, Geschwindigkeiten und Spotgrößen. In dieser virtuellen Welt kann der Computer die exakte Tiefe und Breite jedes erzeugten Schmelzbades kennen. Sie nutzten diese simulierten Daten, um ein komplexes neuronales Netz zu trainieren – eine Art künstliche Intelligenz, die darauf ausgelegt ist, Muster zu erkennen. Das Netzwerk lernte, die Wärmemuster an der Oberfläche mit der verborgenen Tiefe darunter in Verbindung zu bringen, und baute so ein robustes Verständnis der beteiligten Physik auf. Die Forscher wussten jedoch, dass ein Modell, das nur auf perfekten Computersimulationen trainiert wurde, Schwierigkeiten haben würde, wenn es mit dem Rauschen, den Reflexionen und den Unvollkommenheiten einer echten Maschine konfrontiert wird.

Um diese Lücke zu schließen, nahmen sie das vorgetrainierte Modell und verfeinerten es mithilfe eines kleinen Satzes an realen experimentellen Daten. Sie führten Einzelspur-Druckexperimente an einer echten Maschine durch und erfassten Hochgeschwindigkeits-Infrarotbilder des Schmelzbades. Um dem Computer beizubringen, wie die echten Bäder aussah, mussten sie die gedruckten Spuren aufschneiden und die tatsächliche Tiefe und Breite unter einem Mikroskop messen. Da sie nicht jedes einzelne Frame des Videos messen konnten, verwendeten sie eine statistische Methode, um diese gemessenen Werte den Bildern zuzuweisen, wodurch einen Trainingsdatensatz von etwa 550 beschrifteten Bildern erstellten. Als sie diese realen Daten in das Modell einspeisten, passte das Netzwerk seine internen Einstellungen an, um die Unterschiede zwischen der sauberen Simulation und der verrauschten realen Welt auszugleichen.

Die Ergebnisse zeigten, dass dieser zweistufige Ansatz weitaus überlegen war gegenüber einem Training eines Modells von Grund auf unter Verwendung der begrenzten realen Daten. Als die Forscher die Modelle bei neuen, bisher ungesehenen Druckaufträgen testeten, wies das mit Hilfe von Simulationen trainierte Modell signifikant weniger Fehler auf. Bei der Vorhersage der Breite des Bades war das simulationsgestützte Modell mit etwa 7 Prozent genau, während das Modell, das nur mit realen Daten trainiert wurde, eine Abweichung von fast beträgt. Der Unterschied war noch dramatischer bei der Tiefe, welche die schwieriger vorherzusagende Variable darstellt. Das simulationsgestützte Modell sagte die Tiefe mit einem Fehler von etwa 22 Prozent voraus, während das Modell ohne Simulationshilfe die Marke um fast 75 Prozent verfehlte. In den schwierigsten Fällen, in denen die Daten extrem knapp waren, behielt das simulationsgestützte Modell ein hohes Maß an Genauigkeit bei, während das andere Modell gar nicht erst in der Lage war, die korrekten Muster zu erlernen.

Die Forscher entdeckten auch, dass das System am besten funktionierte, wenn es zwei Arten von Informationen kombinierte: die thermischen Bilder des Bades und die spezifischen Einstellungen des Lasers. Die Bilder lieferten die visuelle Form der Hitze, was half, die Breite zu bestimmen, während die Lasereinstellungen den energetischen Kontext lieferten, der nötig war, um die Tiefe zu erraten. Als sie das System in Echtzeit bei sechs verschiedenen Druckjobs testeten, die Einstellungen verwendeten, die der Computer noch nie gesehen hatte, verfolgte es erfolgreich die sich ändernde Geometrie des Bades. Es identifizierte korrekt, wann das Bad zu flach war – ein Zustand, der oft zu schwachen Bauteilen führt –, während das ununterstützte Modell die Tiefe konsistent überschätzte und diese Defekte übersah.

Diese Arbeit zeigt, dass es möglich ist, die Kraft von Physiksimulationen in die reale Welt der Fertigung zu bringen, ohne tausende teure und zeitaufwendige Experimente durchführen zu müssen. Indem sie Simulationen nutzten, um der KI die Regeln des Spiels beizubringen, und reale Daten, um sie mit den Nuancen der spezifischen Maschine vertraut zu machen, schufen die Forscher ein Werkzeug, das sowohl genau als auch effizient ist. Das System sagt nicht nur Zahlen voraus; es bietet einen Weg, die Gesundheit des Fertigungsprozesses während des Geschehens zu überwachen, was potenziell ermöglicht, dass Maschinen sich selbst während des Prozesses anpassen, um Defekte zu verhindern. Obwohl die Technologie noch verfeinert wird, beweist die Studie, dass die Kombination aus der Klarheit von Computermodellen und der Realität physischer Experimente Probleme lösen kann, die einst als zu schwierig für eine Echtzeit-Bewältigung galten.