⚡ electrical engineering

Machine Learning-based Surrogate Model for Melt Pool Control in Laser-based Direct Energy Deposition

Questo articolo presenta un nuovo controllore surrogato basato sull'apprendimento automatico accoppiato con un risolutore a elementi finiti che consente la regolazione autonoma e in tempo reale della potenza del laser nella deposizione di energia diretta basata su laser, per mantenere una penetrazione stabile del bagno di fusione, migliorando così la precisione geometrica e riducendo i tempi di calcolo, dimostrando al contempo una robusta generalizzazione attraverso diverse sequenze di scansione.

Autori originali: Runeal Ramma, Carlos Moreira, Michele Chiumenti, Manuel Alejandro Caicedo, Raj Das, Zhijun Ji, Andrey Molotnikov

Pubblicato 2026-07-21

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Runeal Ramma, Carlos Moreira, Michele Chiumenti, Manuel Alejandro Caicedo, Raj Das, Zhijun Ji, Andrey Molotnikov

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di costruire un castello di cioccolato fuso usando una pistola termica ad alta potenza. Vuoi che gli strati si uniscano perfettamente, ma se tieni la pistola termica alla stessa impostazione per tutto il tempo, la base del tuo castello si scalda troppo e inizia a sciogliersi in un ammasso informe, mentre la parte superiore rimane troppo fredda per aderire. Questa è la complicata realtà di una tecnica di produzione chiamata Deposizione Diretta di Energia basata su Laser (DED-LB). È come la stampa 3D con il metallo, dove un laser fonde la polvere per costruire componenti strato dopo strato. Il grande problema è l' "accumulo di calore": man mano che la macchina costruisce, il pezzo diventa sempre più caldo, facendo sì che la pozza di metallo fuso diventi troppo grande e profonda, rovinando la forma e la resistenza dell'oggetto finale. Per anni, gli ingegneri hanno cercato di risolvere il problema fermandosi per far raffreddare il pezzo o indovinando le impostazioni corrette, ma questi metodi sono lenti o imprecisi. L'obiettivo è trovare un modo per regolare automaticamente la potenza del laser in tempo reale, come un termostato intelligente che sa esattamente quando aumentare o diminuire il calore per mantenere la "pozza di fusione" alla profondità perfetta.

Questo articolo introduce una nuova e intelligente soluzione: un "controllore surrogato" alimentato dal Machine Learning (ML) che agisce come un co-pilota super veloce e super intelligente per il laser. Invece di aspettare i calcoli lenti e pesanti delle simulazioni informatiche tradizionali per determinare le impostazioni di potenza corrette, i ricercatori hanno addestrato un modello di IA per prevedere istantaneamente la potenza ideale del laser. Per prima cosa, hanno utilizzato una simulazione al computer ad alta fedeltà (un gemello digitale molto dettagliato del processo) per generare una vasta libreria di scenari "cosa succederebbe se". Hanno insegnato all'IA a riconoscere i pattern nel calore e nella forma del metallo fuso, concentrandosi specificamente sul mantenere costante la "profondità di penetrazione" (quanto il laser fonde nel metallo) a 0,40 mm. Una volta addestrato, questo modello di IA è stato collegato alla simulazione per controllare il laser in tempo reale.

I risultati dimostrano che questo approccio guidato dall'IA è una svolta in termini di velocità e stabilità. In test che coinvolgevano diverse forme, come pareti sottili e cubi cavi, il controllore IA è riuscito a mantenere costante la profondità della pozza di fusione, proprio come il metodo tradizionale lento, ma lo ha fatto circa tre volte più velocemente. Ad esempio, mentre il vecchio metodo richiedeva circa 141 ore di tempo computazionale per determinare le impostazioni di potenza per un cubo cavo, l'IA ci ha messo circa 57 ore. Ancora più impressionante, l'IA ha controllato con successo forme complesse che non aveva mai visto durante il suo addestramento, dimostrando di poter generalizzare la propria conoscenza a nuovi lavori. Lo studio suggerisce che, utilizzando questo surrogato basato sul ML, i produttori possono ridurre l'accumulo di calore, prevenire i difetti e stampare parti metalliche complesse con una precisione geometrica molto maggiore, riducendo al contempo i tempi necessari per pianificare il processo. Gli autori osservano che, sebbene l'IA sia attualmente uno strumento basato sulla simulazione, essa offre una strada robusta verso il controllo autonomo e in tempo reale per il futuro della stampa 3D metallica.

Sintesi Tecnica: Modello Surrogato basato sul Machine Learning per il Controllo del Melt Pool in Direct Energy Deposition Laser-based

Definizione del Problema

La Direct Energy Deposition basata su laser (DED-LB) è una tecnologia critica per la produzione additiva metallica (AM), in particolare per la riparazione di componenti e la fabbricazione di geometrie complesse. Tuttavia, la sua adozione su larga scala è ostacolata dalle sfide nel controllo dinamico del processo, specificamente l'accumulo di calore. L'impiego di parametri di processo costanti, come una potenza laser fissa, porta a significative distorsioni termiche, stress residui elevati e cricche nel substrato. Sebbene esistano approcci numerici e controllori per ottimizzare i parametri, i metodi tradizionali spesso si affidano all'ottimizzazione offline iterativa o a controllori dipendenti dai parametri che mancano di adattabilità a nuove sequenze di scansione o cambiamenti ambientali. Inoltre, esiste una lacuna nei framework capaci di computare efficientemente i parametri di lavorazione ottimali pur adattandosi rapidamente a nuovi scenari per garantire accuratezza geometrica e ripetibilità.

Metodologia

Gli autori propongono una nuova strategia che integra un modello di Machine Learning (ML) come controllore surrogato, accoppiato a un solutore a Elementi Finiti (FE), per ottenere il controllo del processo in tempo reale. La metodologia viene eseguita in due fasi distinte:

1. Ottimizzazione Offline e Generazione dei Dati

Framework di Simulazione: Un'analisi termica ad alta fedeltà (HF) viene eseguita utilizzando FEMUSS, un software multipfisico proprietario. Il modello è calibrato rispetto a dati sperimentali di una deposizione di parete sottile in Ti6Al4V, minimizzando gli errori tra i profili termici misurati e simulati per determinare i coefficienti di scambio termico (HTC).
Ottimizzazione A-Posteriori: Un ciclo iterativo offline regola l'alimentazione della potenza laser per mantenere una profondità di penetrazione del melt pool target definita dall'utente ( $D_{target} = 0,40$ mm). Questo target è stato selezionato per garantire la rifusione dello strato precedente (prevenendo la delaminazione) minimizzando al contempo la mancanza di fusione.
Logica di Controllo: Un approccio di controllo a feedback proporzionale ( $K_p$ ) corregge iterativamente l'alimentazione della potenza in base alla differenza tra la profondità di penetrazione osservata e quella target. Questo processo genera un dataset di profili di potenza ottimizzati e corrispondenti firme termiche/geometriche.

2. Sviluppo del Modello di Machine Learning

Costruzione del Dataset: Dati sintetici sono stati generati da 42 casi simulati riguardanti sequenze di scansione unidirezionali e bidirezionali di pareti sottili (10–110 mm).
Selezione delle Caratteristiche: Un'analisi della correlazione di rango di Spearman ha identificato le caratteristiche di input chiave, tra cui la temperatura massima, la temperatura del melt pool, la temperatura di impulso, la temperatura della regione successiva, il volume del melt pool e la profondità di penetrazione. La "profondità di penetrazione della regione successiva" è stata pre-impostata sul valore target (0,40 mm) per fungere da salvaguardia durante l'addestramento.
Architettura: Una Rete Neurale Artificiale di Regressione (R-ANN) è stata progettata utilizzando l'ottimizzazione bayesiana degli iperparametri (tramite Keras). L'architettura ottimale include uno strato nascosto con 15 neuroni, attivazione ReLU e l'Errore Assoluto Medio (MAE) come funzione di perdita. Il modello è stato addestrato utilizzando l'ottimizzatore Adam con early stopping per prevenire l'overfitting.
Integrazione a Ciclo Chiuso: Il modello ML addestrato è integrato con il solutore FE in un ciclo chiuso. Durante l'esecuzione, il solutore fornisce gli stati termici e geometrici correnti al modello ML, il quale predice istantaneamente la potenza laser correttiva per mantenere la profondità di penetrazione target.

Contributi Chiave

Controllo Surrogato Rapido: Il framework deriva un profilo di potenza laser variabile che garantisce una profondità di penetrazione del melt pool costante in un singolo iterazione, eliminando la necessità di ottimizzazione offline iterativa o tentativi ed errori sperimentali.
Efficienza Computazionale: L'approccio basato su ML raggiunge risultati circa 3 volte più veloci rispetto all'approccio di ottimizzazione offline (ad esempio, riducendo il tempo di calcolo da ~40 ore a ~12 ore per una parete sottile).
Capacità di Generalizzazione: Il modello predice con successo profili di potenza ottimizzati per sequenze di scansione (cubo cavo e cubo con riempimento partizionato) che non erano inclusi nel dataset di addestramento, dimostrando una robusta capacità di generalizzazione.
Gestione Termica: Il sistema genera efficacementmente le riduzioni di potenza necessarie per minimizzare l'accumulo di calore, mantenendo una morfologia del melt pool costante (profondità e lunghezza) attraverso diverse geometrie.
Interpretabilità delle Caratteristiche: Utilizzando le spiegazioni SHAP (SHapley Additive exPlanations), lo studio quantifica l'importanza delle caratteristiche di input, rivelando che le caratteristiche termiche (temperatura del substrato, lunghezza del melt pool) sono fondamentali nell'influenzare le predizioni di potenza, superando spesso le caratteristiche geometriche.

Risultati

Le prestazioni del controllore surrogato ML sono state valutate rispetto a una fornitura di potenza costante e a strategie di ottimizzazione offline attraverso tre esempi numerici: una parete sottile unidirezionale, un deposito cubico cavo e un deposito cubico con riempimento partizionato.

Stabilità della Profondità di Penetrazione:
- Potenza Costante: La profondità di penetrazione è cresciuta in modo incontrollato.
- Ottimizzazione Offline: Il 98,51% dei valori di profondità di penetrazione è caduto nell'intervallo target (0,38–0,42 mm) per il caso del cubo cavo.
- Surrogato ML: Il 91,77% dei valori è caduto nell'intervallo target per il caso del cubo cavo, e l'87,68% per il caso del cubo con riempimento partizionato.
Lunghezza del Melt Pool: Il controllore ML ha mantenuto la lunghezza del melt pool entro l'intervallo target (3,18–3,55 mm) con un'aderenza dell'82,81% (cavo) e dell'87,54% (riempimento), paragonabile o superiore all'ottimizzazione offline in alcune metriche.
Metriche di Errore: Su un caso di validazione non visto (cilindro), il modello ML ha raggiunto un Errore Assoluto Medio (MAE) di 100,4 W e un Errore Assoluto Percentuale Medio (MAPE) del 5,55% rispetto al profilo di potenza ottimizzato offline.
Profili Termici: Sia le strategie offline che quelle ML hanno ridotto significativamente l'accumulo termico rispetto alla potenza costante, con la strategia ML che mostrava transizioni di temperatura più fluide all'inizio dei hatch.

Significato

Il documento sostiene che questo lavoro fornisce un framework robusto per il controllo preciso e scalabile dei processi di AM metallica. Accoppiando un surrogato ML con un solutore FE, il sistema consente il controllo autonomo in tempo reale che si adatta alle condizioni termiche dinamiche senza intervento umano. La capacità di generalizzare a sequenze di scansione non viste suggerisce che il metodo può servire come strumento affidabile per la prototipazione rapida e la produzione di parti strutturali complesse, riducendo significativamente i tempi e i costi associati all'ottimizzazione dei parametri. Gli autori osservano che, sebbene l'attuale modello utilizzi una rete di regressione, i lavori futuri indagheranno le Reti Neurali Ricorrenti (RNN) per catturare meglio le dipendenze temporali nei dati di serie temporali per un controllo ancora più reattivo.