Forward and inverse prediction of micro-channel topographies in abrasive slurry jet machining: a machine learning framework and a graphical web-based tool

Sintesi Tecnica: Predizione Forward e Inverse delle Topografie di Micro-Canali nella Lavorazione con Getto di Slurry Abrasivo

Problema
La micro-lavorazione con getto di slurry abrasivo (ASJM) è un processo strategico per la creazione di micro-caratteristiche ad alto rapporto d'aspetto in materiali duri, fragili o sensibili alla temperatura, senza una zona termicamente alterata. Nonostante il suo potenziale per dispositivi biomedici, MEMS e canali di raffreddamento aerospaziali, l'adozione industriale è ostacolata dalla difficoltà di predire e controllare la topografia lavorata. Il problema "forward" (predire il profilo eroso dai parametri di processo) è complicato dall'elevata turbolenza del getto, dalla dinamica di erosione delle particelle non lineare e da una moltitudine di parametri operativi interdipendenti. Il problema "inverse" (determinare i parametri di processo necessari per ottenere una topografia desiderata) è ancora più impegnativo e è stato raramente affrontato. I metodi numerici esistenti, come la fluidodinamica computazionale (CFD), offrono un'alta fedeltà ma sono computazionalmente costosi e difficili da invertire per il controllo in tempo reale. Al contrario, le precedenti applicazioni di machine learning (ML) nella lavorazione a getto abrasivo si sono limitate alla predizione di output scalari come la rugosità superficiale o la profondità di taglio, piuttosto che a interi profili superficiali.

Metodologia
Lo studio impiega un approccio basato sui dati utilizzando un dataset completo generato da un disegno degli esperimenti fattoriale completo (DOE) che coinvolge 270 combinazioni uniche di parametri operativi su alluminio AA6061-T6. Le variabili indipendenti erano la pressione della pompa ($P$), la velocità di traslazione dell'ugello ($V$), la distanza di stand-off ($SOD$) e il numero di passate di lavorazione ($N$). L'output target era un vettore a 220 dimensioni rappresentante il profilo di profondità della sezione trasversale.

Sono stati sviluppati e confrontati quattro modelli di apprendimento supervisionato:

1. Regressione Polinomiale: un baseline parametrico utilizzando l'espansione delle feature per catturare le non linearità.
2. Random Forest (RF): un metodo d'insieme non parametrico potenziato dall'ingegneria delle feature informata dal dominio (es. potenziale erosivo cumulativo $P \times N$).
3. Rete Neurale Artificiale (ANN): un modello di deep learning completamente connesso progettato per mappare gli input nel vettore del profilo completo.
4. Rete Neurale Convoluzionale (1D-CNN): un'architettura di deep learning che utilizza strati convoluzionali per catturare le correlazioni spaziali locali all'interno del profilo.

Tutti i modelli sono stati addestrati sull'85% dei dati e valutati su un set di test tenuto separato utilizzando l'errore quadratico medio (MSE), l'errore assoluto medio (MAE) e il coefficiente di determinazione ($R^2$). Lo studio ha inoltre investigato la sensibilità del modello alla dimensione del dataset (dal 25% al 100%) e al rumore in ingresso.

Per il problema inverso, una ANN è stata addestrata per inferire i parametri di processo ($P, SOD, V, N$) da una geometria target. Per affrontare la natura "molti-a-uno" del problema inverso (dove molteplici set di parametri possono produrre la stessa geometria), gli autori hanno impiegato una perdita di "coerenza forward". I parametri predetti venivano passati attraverso la ANN forward pre-addestrata per generare un profilo simulato, che veniva poi confrontato con la geometria target. Ciò ha garantito che il modello inverso producesse parametri fisicamente coerenti. Un framework inverso probabilistico utilizzando il dropout di Monte-Carlo è stato inoltre implementato per generare una distribuzione di soluzioni fattibili piuttosto che un singolo tentativo deterministico.

Contributi Chiave

1. Predizione del Profilo Completo: Questo lavoro presenta il primo framework di ML capace di predire l'intero vettore del profilo della sezione trasversale dei micro-canali lavorati tramite ASJM, andando oltre le metriche scalari come la rugosità o la profondità.
2. Ingegneria delle Feature Informata dalla Fisica: Lo studio incorpora uno schema di addestramento consapevole della monotonicità utilizzando feature ingegnerizzate (es. $P \times N, SOD \times V, P/V$) per codificare le note dipendenze del tasso di erosione, garantendo un confronto equo tra i modelli.
3. Design Inverso Probabilistico: Gli autori hanno sviluppato un framework inverso consapevole dei vincoli che restituisce un set di combinazioni di parametri fattibili con stime di incertezza, affrontando esplicitamente la non-unicità del problema inverso.
4. Valutazione dell'Applicabilità in Tempo Reale: Lo studio quantifica la latenza di inferenza, dimostrando che i surrogati di deep learning possono operare entro il budget di millisecondi per passata richiesto per il controllo a ciclo chiuso, diversamente dalle simulazioni CFD tradizionali.
5. Strumento Open-Source: I modelli addestrati e il dataset sperimentale sono rilasciati come un'applicazione web gratuita basata su browser, che consente agli operatori senza esperienza di programmazione di utilizzare gli strumenti.

Risultati

• Predizione Forward: Tutti i modelli hanno predetto con successo i profili dei micro-canali con rapporti d'aspetto compresi tra 0,06 e circa 2. La ANN ha raggiunto la massima accuratezza ($R^2 = 0,817$, MAE = 0,00339 mm), seguita da vicino dalla 1D-CNN ($R^2 = 0,807$). I modelli tradizionali (Regressione Polinomiale e RF) si sono comportati ragionevolmente bene ($R^2 \approx 0,76$) ma sono stati meno accurati su elementi ad alto rapporto d'aspetto.
• Sensibilità del Dataset: Le prestazioni sono migliorate con la dimensione del dataset, stabilizzandosi dopo l'uso del 75% dei dati. La ANN ha dimostrato la maggiore robustezza, mantenendo un $R^2$ di 0,7 anche con solo il 25% del dataset, mentre il modello Random Forest è degradato significativamente ($R^2 = 0,32$) sotto le stesse condizioni.
• Robustezza al Rumore: I modelli di deep learning (ANN e CNN) hanno mostrato un'alta tolleranza al rumore in ingresso, con un aumento solo lieve del MAE (da 3,5 µm a 4,1 µm) sotto un rumore Gaussiano del 10%. Al contrario, il modello polinomiale ha prodotto valori non fisici in condizioni simili.
• Predizione Inversa: La ANN inversa ha predetto con successo i parametri di processo per le geometrie target. Utilizzando solo profondità e larghezza come input, il modello ha raggiunto un $R^2$ di 0,94 per la profondità e 0,55 per la larghezza. Utilizzando l'intero profilo come input, l'accuratezza è diminuita ($R^2 \approx 0,77$) a causa della dimensionalità e della ridondanza dell'input. L'approccio inverso probabilistico ha identificato con successo set di parametri fattibili con errori di profondità assoluta mediana di 0,94 µm.
• Latenza: I tempi di inferenza su una singola CPU variavano da 0,22 ms (Polinomiale) a circa 100 ms (Deep Learning), rendendoli adatti al controllo in tempo reale, mentre il modello Random Forest richiedeva circa 10,9 secondi per campione, rendendolo inadatto ad applicazioni in tempo reale.

Significatività
L'articolo sostiene che questo lavoro colmi il divario tra test empirici e produzione predittiva in tempo reale nell'ASJM. Riducendo il tempo di predizione da ore (CFD) a microsecondi/millisecondi, i surrogati di ML proposti rimuovono la barriera computazionale che impedisce ai modelli basati sulla fisica di essere integrati in controller a ciclo chiuso. Il framework consente la specifica "one-shot" dei parametri di processo per le geometrie desiderate, facilitando la pianificazione automatizzata del processo, l'integrazione del digital twin e la rapida qualifica di nuove combinazioni materiale-abrasivo senza campagne esaustive di design degli esperimenti. Gli autori pongono questo lavoro come uno sforzo pionieristico per dimostrare la fattibilità del ML per schemi complessi e non lineari di rimozione del materiale nella lavorazione a getto abrasivo, rendendo i modelli e gli strumenti addestrati pubblicamente disponibili per accelerare l'adozione nel settore.