Machine learning enables roughness-driven inverse design of milling processes

Sintesi Tecnica: Progettazione Inversa Guidata dal Machine Learning per i Processi di Fresatura

Definizione del Problema
Il documento affronta la sfida della progettazione inversa nei processi di fresatura, nello specifico il compito di determinare i parametri ottimali di lavorazione e dell'utensile per raggiungere una rugosità superficiale target. Mentre i modelli predittivi diretti (mappatura dei parametri verso la rugosità) sono ben consolidati, la progettazione inversa è complicata dalla mappatura "molti-a-uno" intrinseca ai dati di lavorazione. Diverse combinazioni distinte di parametri di input (ad esempio, velocità di taglio, avanzamento, geometria dell'utensile) possono produrre risultati di rugosità superficiale identici o quasi identici a causa di interazioni complesse e non lineari e di effetti compensativi. L'addestramento diretto di modelli di machine learning (ML) scambiando input e output porta spesso a previsioni "mediate" che non riescono a rappresentare set di parametri fisicamente fattibili o ottimali. Inoltre, la scarsità di dataset sperimentali di alta qualità per l'addestramento di modelli ML robusti costituisce una barriera significativa.

Metodologia
Gli autori propongono un framework che accoppia modelli ML addestrati in avanti con l'Ottimizzazione Bayesiana (BO) per risolvere il problema della progettazione inversa senza fare affidamento sull'addestramento diretto di un modello inverso. La metodologia procede attraverso le seguenti fasi:

1. Generazione del Dataset Sintetico:

   • Viene impiegato un framework computazionale ad alta fedeltà basato su un Metodo di Soluzione Diretta (FSM) per generare un dataset di 10.000 campioni.
   • L'FSM discretizza il tagliente, il pezzo in lavorazione e il tempo per simulare la topografia superficiale. Tiene conto delle equazioni cinematiche che coinvolgono sei parametri di input: velocità di taglio ($v_c$), avanzamento ($f_z$), numero di inserti ($z$), raggio dell'inserto ($r_i$), run-out radiale ($\varepsilon_r$) e run-out assiale ($\varepsilon_a$).
   • Gli output sono la rugosità superficiale media ($S_a$) e l'altezza massima superficiale ($S_z$).
   • Il modello computazionale è validato rispetto a dati sperimentali di fresatura frontale su ghisa grigia HT300, mostrando un errore relativo medio di circa il 7%.

2. Analisi della Molteplicità:

   • Un'analisi esplorativa utilizzando il DBSCAN (Density-Based Spatial Clustering of Applications with Noise) conferma l'esistenza di relazioni molti-a-uno. Si dimostra che configurazioni di input distinte producono caratteristiche superficiali simili, convalidando la necessità di evitare la regressione inversa diretta.

3. Addestramento del Modello Diretto:

   • Due modelli ML vengono addestrati sul dataset sintetico per apprendere la mappatura diretta (parametri $\to$ rugosità):
     • Deep Neural Network (DNN): Una rete completamente connessa con un'architettura a imbuto (tre strati nascosti: 512, 256, 128 nodi) con attivazione ReLU, batch normalization e dropout.
     • Random Forest (RF): Un insieme di alberi decisionali.
   • Entrambi i modelli sono ottimizzati tramite Optuna per la sintonizzazione degli iperparametri (ad esempio, tasso di apprendimento, profondità, numero di alberi) sia per scenari a output singolo ($S_a$) che a output multiplo ($S_a, S_z$). Il modello RF ha generalmente dimostrato un errore quadratico medio (MSE) di validazione inferiore rispetto al DNN.

4. Progettazione Inversa tramite Ottimizzazione Bayesiana:

   • I modelli ML addestrati fungono da proxy differenziabili e veloci all'interno di un ciclo di Ottimizzazione Bayesiana.
   • L'obiettivo è minimizzare la deviazione tra la rugosità predetta e un target specificato dall'utente.
   • Per affrontare la tendenza della BO a convergere verso ottimi locali e la natura discreta dei parametri dell'utensile, il framework elenca esplicitamente le variabili discrete (numero di inserti e raggio) ed esegue ottimizzazioni separate per ogni combinazione. Viene inoltre incorporata una penalità di diversità per incoraggiare un'esplorazione più ampia dello spazio dei parametri continui.

Risultati Chiave
Il framework è stato valutato attraverso due casi di studio che mirano a diverse regioni della distribuzione della rugosità:

• Caso 1 (Bassa Rugosità): Target $S_a = 2$, $S_z = 10$. Il framework ha identificato con successo soluzioni fattibili e diverse. Il modello RF ha ottenuto un errore relativo medio del 2,12% per $S_a$ e del 1,93% per $S_z$ rispetto al riferimento computazionale, superando il DNN (4,96% e 3,74%, rispettivamente).
• Caso 2 (Alta Rugosità): Target $S_a = 6$, $S_z = 33$. Nonostante la distribuzione dei dati più sparsa in questa regione, il framework ha identificato set di parametri validi. Il modello RF ha mantenuto un'elevata accuratezza con errori relativi medi dell'1,1% per $S_a$ e del 2,7% per $S_z$.

In entrambi gli scenari, i candidati di progettazione con le migliori prestazioni hanno raggiunto errori relativi medi inferiori al 5% rispetto ai risultati computazionali di riferimento. Lo studio dimostra che il modello RF fornisce generalmente un'accuratezza predittiva e una robustezza superiori rispetto al DNN in questo specifico contesto.

Significatività e Rivendicazioni
Il documento sostiene di presentare una metodologia robusta per la progettazione inversa dei processi di fresatura che supera i limiti delle mappature molti-a-uno. Integrando i modelli ML diretti con l'Ottimizzazione Bayesiana, l'approccio evita le criticità delle previsioni medie inerenti alla regressione inversa diretta. Il framework identifica con successo combinazioni ottimali e diverse di parametri di lavorazione e dell'utensile per soddisfare specifici obiettivi di qualità superficiale.

Gli autori sottolineano che il metodo proposto è particolarmente prezioso per ridurre i tentativi ed errori nella progettazione manifatturiera. Notano che, sebbene l'attuale studio si basi su dati sintetici generati da un modello geometrico, il framework è sufficientemente flessibile da poter incorporare vincoli aggiuntivi (ad esempio, selezioni specifiche dell'utensile o l'omissione degli errori di run-out) e potrebbe essere esteso per includere fenomeni fisici come forze di taglio o vibrazioni in lavori futuri. Il lavoro conclude che questa pipeline di progettazione inversa guidata dal ML offre una via affidabile per determinare i parametri di processo con errori di previsione accettabili, facilitando una pianificazione manifatturiera più efficiente e intelligente.