技術要約：レーザーベース直接エネルギー堆積における溶融池制御のための機械学習ベース・サロゲートモデル

問題提起

レーザーベース直接エネルギー堆積（DED-LB）は、金属アディティブ・マニュファクチャリング（AM）、特に部品の修理や複雑な形状の製作において極めて重要な技術である。しかし、その広範な普及は、熱蓄積に伴う動的なプロセス制御の課題、具体的には熱歪みの問題によって阻まれている。固定されたレーザー出力のような一定のプロセスパラメータを採用すると、重大な熱歪み、残留応力の増大、および基材の割れを引き起こす。パラメータを最適化するために数値的手法やコントローラーは存在するものの、従来の手法は反復的なオフライン最適化や、新しいスキャンシーケンスや環境の変化への適応性に欠けるパラメータ依存型のコントローラーに依存することが多い。さらに、幾何学的な精度と再現性を確保するために、新しいシナリオに対して迅速に適応しながら、最適なプロセスパラメータを効率的に計算できるフレームワークにも空白が存在する。

手法

著者らは、実行時のプロセス制御を実現するために、機械学習（ML）モデルをサロゲートコントローラーとして用い、有限要素（FE）ソルバーと組み合わせた新しい戦略を提案している。この手法は、以下の2つの明確なフェーズで実行される。

1. オフライン最適化およびデータ生成

• シミュレーション・フレームワーク： 高忠実度（HF）熱解析が、インハウスのマルチフィジックス・ソフトウェアであるFEMUSSを用いて行われる。Ti6Al4Vの薄壁堆積からの実験データに対してモデルを校正し、熱伝達係数（HTC）を決定するために、測定された熱プロファイルとシミュレーションされた熱プロファイル間の誤差を最小化する。
• 事後最適化（A-Posteriori Optimization）： ユーザーが定義した目標溶融池貫入深さ（$D_{target} = 0.40$ mm）を維持するために、反復的なオフラインループによってレーザー出力を調整する。この目標値は、前層の再溶融を確実にし（剥離を防ぐ）、かつ溶融不足を最小限に抑えるために選択された。
• 制御ロジック： プロポーショナルフィードバック制御（$K_p$）を用いて、観測された貫入深さと目標貫入深さの差に基づいて、レーザー出力を反復的に補正する。このプロセスにより、最適化されたパワープロファイルと、それに対応する熱的・幾何学的シグネチャのデータセットが生成される。

2. 機械学習モデルの開発

• データセット構築： 10〜110 mmの薄壁の単一方向および双方向スキャンシーケンスを含む、42のシミュレーションケースから合成データが生成された。
• 特徴量選択： スピアマンの順位相関分析により、最大温度、溶融池温度、パルス温度、次領域温度、溶融池体積、および貫入深さを含む主要な入力特徴量を特定した。「次領域の貫入深さ」は、トレーニング中のセーフガードとして、あらかじめ目標値（0.40 mm）に設定された。
• アーキテクチャ： 回帰人工ニューラルネットワーク（R-ANN）が、Kerasを用いたベイズ超パラメータチューニングによって設計された。最適なアーキテクチャは、1つの隠れ層（15ニューロン）、ReLU活性化関数、および損失関数として平均絶対誤差（MAE）を備えている。モデルは、過学習を防ぐための早期終了（early stopping）を伴うAdamオプティマイザを使用して訓練された。
• クローズドループ統合： 学習済みMLモデルは、FEソルバーとクローズドループ内で統合される。実行時、ソルバーは現在の熱的および幾何学的状態をMLモデルに提供し、MLモデルは目標の貫入深さを維持するために必要な補正レーザー出力を即座に予測する。

主な貢献

1. 迅速なサロゲート制御： 本フレームワークは、単一のイテレーションで一定の溶融池貫入深さを保証する可変レーザーパワープロファイルを導出し、反復的なオフライン最適化や実験的な試行錯誤を排除する。
2. 計算効率： MLベースのアプローチは、オフライン最適化アプローチと比較して約3倍高速な結果を実現した（例：薄壁の計算時間を約40時間から約12時間に短縮）。
3. 汎用能力： 本モデルは、トレーニングデータに含まれていなかったスキャンシーケンス（中空立方体およびインフィル分割立方体）に対しても最適化されたパワープロファイルを正常に予測し、堅牢な汎用性を実証した。
4. 熱管理： 本システムは、熱蓄積を最小限に抑えるために必要な出力減少を効果的に生成し、異なる形状においても一貫した溶融池形態（深さと長さ）を維持する。
5. 特徴量の解釈性： SHapley Additive exPlanations（SHAP）を用いることで、本研究は入力特徴量の重要性を定量化し、熱的特性（基材温度、溶融池の長さ）がパワー予測に影響を与える上で、幾何学的特徴よりも重要であることを明らかにした。

結果

MLベースのサロゲートコントローラーの性能は、単一方向薄壁、中空立方体堆積、およびインフィル分割立方体堆積の3つの数値例にわたって、一定出力供給およびオフライン最適化戦略と比較評価された。

• 貫入深さの安定性：
  • 一定出力： 貫入深さが制御不能に増大した。
  • オフライン最適化： 中空立方体ケースにおいて、貫入深さの値の98.51%が目標ウィンドウ（0.38–0.42 mm）内に収まった。
  • MLサロゲート： 中空立方体ケースで91.77%、インフィル分割立方体ケースで87.68%の値が目標ウィンドウ内に収まった。
• 溶融池の長さ： MLコントローラーは、溶融池の長さを目標範囲（3.18–3.55 mm）内に維持し、中空で82.81%、インフィルで87.54%の適合率を示し、一部の指標ではオフライン最適化と同等またはそれを上回る結果となった。
• 誤差指標： 未知の検証ケース（シリンダー）において、MLモデルはオフライン最適化されたパワープロファイルに対し、平均絶対誤差（MAE）100.4 W、平均絶対パーセント誤差（MAPE）5.55%を達成した。
• 熱プロファイル： オフライン戦略とML戦略の両方が、一定出力と比較して熱蓄積を大幅に減少させた。ML戦略は、ハッチの開始時においてより滑らかな温度遷移を示した。

意義

本論文は、本研究が金属AMプロセスの精密かつスケーラブルな制御のための堅牢なフレームワークを提供することを主張している。MLサロゲートをFEソルバーと結合させることで、本システムは人間の介入なしに動的な熱条件に適応する自律的な実行時制御を可能にする。未知のスキャンシーケンスに対する汎用能力は、本手法が迅速なプロトタイピングや複雑な構造部品の製造において信頼できるツールとなり、パラメータ最適化に伴う時間とコストを大幅に削減できることを示唆している。著者らは、現在のモデルは回帰ネットワークを使用しているが、将来の研究では、時系列データの時間依存性をより良く捉え、さらに応答性の高い制御を実現するために、リカレントニューラルネットワーク（RNN）を調査する予定であると述べている。