Hybrid Machine Learning and Physical Modeling of Feedstock Deformation During Robotic 3D Printing of Continuous Fiber Thermoplastic Composites

Technische Samenvatting: Hybride Machine Learning en Fysische Modellering van Vervorming van Grondstof bij Robotische 3D-printing

Probleemstelling
Vervorming van de grondstof tijdens het 3D-printen van composieten met continue vezelversterkte thermoplasten is een kritieke uitdaging die productiefouten zoals kieren en overlappingen veroorzaakt. Hoewel thermische gradiënten en restspanningen bekende bijdragers zijn, blijft de specifieke vervorming van een enkele afgelegde tape—aangedreven door ontspanning van restspanning, droging en kristallisatie—complex om te modelleren. Deze vervorming van een enkel traject heeft directe invloed op intrinsieke procesvariabelen zoals vezeluitlijning en robotische depositiecontrole. Bestaande benaderingen lopen tegen beperkingen aan: puur datagedreven modellen missen vaak betrouwbaarheid buiten geteste gebieden, terwijl traditionele op fysica gebaseerde modellen moeite hebben met de gekoppelde multiphysica van kristallisatie en veranderingen in microstructurele eigenschappen. De auteurs adresseren de behoefte aan een robuust raamwerk dat dimensionale veranderingen van tape kan voorspellen om trajectplanning te optimaliseren en fouten te minimaliseren.

Methodologie
De auteurs stellen een hybride modelleringstraamwerk voor dat gevestigde fysische modellen combineert met datagedreven benaderingen, specifiek met gebruikmaking van een gestabiliseerde Neuronale Gewone Differentiaalvergelijking (Neural ODE). De werkstroom verloopt via de volgende fasen:

1. Experimentele Karakterisering:

   • Opstelling: Een robotisch 3D-printsysteem (ABB IRB 1200) deponert tape van continue koolstofvezel (CCF) prepreg (LM-PAEK-matrix) op een stalen bouwplatform.
   • Materiaaltesten: Differentiële Scan Calorimetrie (DSC) identificeerde de glasovergangstemperatuur ($T_g \approx 147^\circ\text{C}$) en het kristallisatiepiek ($T_{pc} \approx 184^\circ\text{C}$). Dynamisch Mechanische Analyse (DMA) werd uitgevoerd op tapeproeven bij twee temperatuurregimes: $120^\circ\text{C}$ (onder $T_g$) en $180^\circ\text{C}$ (boven $T_g$). Deze tests maten dimensionale veranderingen (rek) tijdens verwarmings- en koelcycli.

2. Fysische Modellering (Viscoelasticiteit):

   • Een Kelvin-Voigt visco-elastisch model werd ingezet om het mechanische gedrag van de prepreg te simuleren.
   • Het model gebruikte orthotrope thermische en mechanische eigenschappen afgeleid van fabrikantgegevens en homogenisatieregels.
   • Parameters (thermische uitzettingscoëfficiënten en viskeuze tensorcomponenten) werden geïdentificeerd door de simulatie aan te passen aan de DMA-1 experimentele data ($120^\circ\text{C}$), met uitsluiting van de initiële verwarmingsfase waar onomkeerbare droging en vrijgave van restspanning optreden.

3. Hybride Datagedreven Modellering:

   • Initiële Rekvrijgave (Droging/Restspanning): Het verschil tussen de visco-elastische simulatie en experimentele data tijdens de eerste verwarmingsfase van DMA-1 werd toegeschreven aan droging en vrijgave van restspanning. Een gestabiliseerde Neural ODE werd getraind op deze residuale data om de tijdsafhankelijke evolutie van deze initiële rekken te leren.
   • Kristallisatie-geïnduceerde Vervorming: Voor het DMA-2 experiment ($180^\circ\text{C}$) werd het verschil tussen de totale gemeten rek, de visco-elastische voorspelling en de voorspelde initiële rekvrijgave gedefinieerd als kristallisatierrek. Een tweede gestabiliseerde Neural ODE werd getraind om de evolutie van deze rekken te modelleren naarmate de temperatuur $T_g$ overschreed.

4. Integratie en Validatie:

   • De geïdentificeerde modellen (Kelvin-Voigt, initiële rekvrijgave en kristallisatie) werden geïntegreerd in een holistisch simulatiekader met behulp van Proper Generalized Decomposition (PGD) voor thermische en mechanische oplossing.
   • Dit kader werd toegepast om een tape-depositie van 280 mm te simuleren onder robotische printomstandigheden ($380^\circ\text{C}$ spuitmond, $160^\circ\text{C}$ platform).
   • De simulatieresultaten werden gevalideerd tegen experimentele metingen van een fysiek afgelegde tape.

Belangrijkste Bijdragen

• Hybride Modelleringstraamwerk: Het artikel demonstreert een succesvolle integratie van op fysica gebaseerde viscoelasticiteit met gestabiliseerde Neural ODE's om complexe, niet-lineaire fenomenen (droging, spanningsontlasting, kristallisatie) te vangen die puur analytisch moeilijk te modelleren zijn.
• Extrapolatievermogen: De studie benadrukt het vermogen van de gestabiliseerde Neural ODE om te generaliseren buiten zijn trainingsgebied. Specifiek voorspelde het model voor initiële rekvrijgave, getraind alleen op data tot $120^\circ\text{C}$, succesvol gedrag tot $180^\circ\text{C}$, waarbij verzadiging werd bereikt zonder hertraining.
• Decompositie van Vervormingsmechanismen: Het werk isoleert en kwantificeert de specifieke bijdragen van thermische uitzetting, initiële rekvrijgave en kristallisatie aan de totale vervorming van de grondstof, wat een duidelijker begrip biedt van de mechanismen voor defectgeneratie bij depositie van een enkele tape.

Resultaten

• Modelnauwkeurigheid: Het hybride model behaalde hoge fideliteit in het voorspellen van rek-evolutie. De relatieve fout voor de voorspelling van initiële rekvrijgave bedroeg 0,57% op de testset, en voor kristallisatierrek was dit 2,43% op de testset.
• Generalisatie: Het model reproduceerde nauwkeurig de verzadiging van rekvrijgave bij temperaturen die aanzienlijk hoger waren dan die gebruikt in de training (maximaal $180^\circ\text{C}$ versus $120^\circ\text{C}$ in de training).
• Validatie van Robotische Depositie: Toepassing op het robotische printscenario voorspelde de laterale vervorming van de tape met hoge nauwkeurigheid. De gesimuleerde eindbreedte stemde nauwkeurig overeen met experimentele schuifmetingen, wat bevestigt dat het model rekening kan houden met de gecombineerde effecten van thermische gradiënten, spanningsontlasting en kristallisatie in een real-world depositieomgeving.

Betekenis
De auteurs beweren dat dit werk een "hoeksteen" vormt in het begrijpen van vervorming van grondstof voor robotische 3D-printing van continue vezelthermoplasten. De primaire betekenis ligt in de voorgestelde "holistische aanpak" die de creatie van een digitale tweeling voor het printproces mogelijk maakt. Door de uiteindelijke afmetingen van een afgelegde tape nauwkeurig te voorspellen op basis van procesparameters, stelt het model de optimalisatie van de Tape Raster Offset (TRO) in staat om kieren en overlappingen te voorkomen. Deze mogelijkheid vermindert de afhankelijkheid van kostbare en tijdrovende experimentele proeven om optimale printparameters te bepalen. Bovendien suggereren de auteurs dat, hoewel de huidige studie zich richt op rechte paden, het raamwerk een fundament biedt voor toekomstig werk aan kromlijnige paden en de fabricage van complexe structurele onderdelen.