Microstructural Generative Inverse Models for Additive Manufacturing Digital Twins

Metalen onderdelen voor vliegtuigen, auto's en elektriciteitscentralen worden vaak vervaardigd door minuscule metalen poeders laag voor laag samen te smelten, een proces dat additieve fabricage wordt genoemd. Hoewel deze methode ingenieurs in staat stelt om vormen te creëren die voorheen onmogelijk gegoten of gesmeed konden worden, gedraagt het resulterende materiaal zich vaak onvoorspelbaar. In tegenstelling tot traditionele metalen, die vaak uniform en consistent zijn, bevatten deze 3D-geprinte metalen complexe interne patronen van kleine kristallen. Deze patronen, bekend als microstructuren, bepalen hoe sterk het metaal is, hoe het met warmte omgaat en of het onder druk zal barsten. De relatie tussen het printproces, het resulterende kristalpatroon en de uiteindelijke sterkte van het onderdeel is ongelooflijk ingewikkeld. Het proberen te achterhalen van deze verbanden door duizenden fysieke monsters te printen en tot vernietiging toe te testen, is traag, duur en slaagt er vaak niet in om het volledige beeld te vatten.

Om dit op te lossen, gebruiken wetenschappers computermodellen om te simuleren hoe deze materialen zich gedragen. Deze simulaties vereisen echter een realistisch beeld van de interne kristalpatronen om correct te werken. Het handmatig maken van deze realistische beelden of het gebruik van oudere computertools is moeilijk omdat de patronen zo ingewikkeld en gevarieerd zijn. Een team onderzoekers van het Oak Ridge National Laboratory heeft een nieuwe manier ontwikkeld om deze digitale kristalkaarten te genereren met behulp van een type kunstmatige intelligentie. In plaats van te proberen elk detail vanaf nul te berekenen, leert hun systeem van een uitgebreide bibliotheek van bestaande kristalpatronen en creëert het op aanvraag nieuwe, zeer realistische patronen. Deze aanpak stelt ingenieurs in staat om te onderzoeken hoe verschillende printinstellingen de uiteindelijke sterkte van een onderdeel beïnvloeden zonder dat er een enkel fysiek prototype gebouwd hoeft te worden.

De onderzoekers concentreerden zich op een specif kind van kunstmatige intelligentie genaamd een denoising diffusion model. Stel je een foto voor die langzaam is bedekt met statische ruis totdat het slechts een waas van grijze pixels is. Dit type model leert hoe dat proces om te keren. Het begint met een blanco, ruisachtig beeld en verwijdert de ruis stap voor stap totdat een helder beeld verschijnt. In deze studie waren de "foto's" geen landschapsfoto's, maar gedetailleerde kaarten die de oriëntatie van kristallen binnen een metaalmonster laten zien. Het team trainde hun model op een grote dataset van gesimuleerde kristalkaarten gegenereerd door een ander computerprogramma. Deze kaarten bevatten de complexe, kolkende patronen die typerend zijn voor metaal dat met lasers of elektronenbundels is geprint. Eenmaal getraind kon het model geheel nieuwe kristalkaarten genereren die er precies zo uitzagen en zich zo gedroegen als het echte ding, waarbij de scherpe grenzen tussen kristallen en de subtiele variaties in hun uitlijning werden gevangen.

Wat dit werk bijzonder krachtig maakt, is de mogelijkheid om het generatieproces te sturen. De onderzoekers lieten zien dat ze het model precies konden vertellen welk kristalpatroon ze wilden door specifieke instructies te geven. Ze konden vragen om een patroon dat zou resulteren in een metalen onderdeel met een specifieke sterkte, of een patroon dat overeenkwam met een bepaalde printsnelheid en temperatuur. Het model luisterde naar deze instructies en produceerde een kristalkaart die aan de criteria voldeed. Wanneer er bijvoorbeeld werd gevraagd om een patroon voor een metaal dat zeer sterk is in één richting, genereerde het model een kaart met kristallen die op een manier zijn uitgelijnd die overeenkomt met bekende natuurkundige wetten. Wanneer er om een andere sterkte werd gevraagd, rangschikte het de kristallen dienovereenkomstig. Het vermogen om terug te werken van een gewenste eigenschap naar een specifieke interne structuur staat bekend als inverse design, en dit is een cruciale stap naar het ontwerpen van betere materialen.

Het team testte hun systeem grondig om ervoor te zorgen dat de gegenereerde kaarten niet alleen visueel overtuigend waren, maar ook statistisch accuraat. Ze vergeleken de door de computer gegenereerde kaarten met de originele gegevens die werden gebruikt om het model te trainen. De resultaten toonden aan dat de nieuwe kaarten dezelfde complexe relaties tussen kristalvormen en -richtingen vastlegden als de echte gegevens. Het model slaagde erin de specifieke texturen en korrelgroottes te recreëren die in verschillende printcondities voorkomen. Het slaagde er zelfs in om verschillende instructies te combineren, zoals het vragen om een specifieke textuur en een specifieke vorm tegelijkertijd, wat resulteerde in fysiek plausibele resultaten. De onderzoekers ontdekten echter ook dat het model beperkingen had. Wanneer het twee instructies kreeg die fysiek met elkaar in strijd waren, zoals het vragen om een kristalpatroon dat bekend staat als zwak maar tegelijkertijd een hoge sterkte te eisen, gaf het systeem prioriteit aan het kristalpatroon boven de eis voor sterkte. Dit suggereert dat het model de fundamentele regels van hoe het materiaal zich gedraagt heeft geleerd en weigert deze te breken, zelfs als er druk op wordt uitgeoefend.

Eén interessant artefact verscheen in de gegenereerde kaarten: de kristallen vertoonden soms lichte interne draaiingen die niet aanwezig waren in de trainingsdata. De onderzoekers herleidden dit tot de aard van de kunstmatige intelligentie zelf, die ontworpen is om gladde, continue afbeeldingen te creëren, terwijl echte metaalkristallen scherpe, duidelijke grenzen hebben. Ze ontdekten dat ze door het generatieproces meerdere keren uit te voeren en het resultaat te verfijnen, deze interne draaiingen konden verminderen, maar ze niet volledig konden elimineren. Ondanks deze kleine imperfectie bewees het systeem een robuust hulpmiddel te zijn voor het creëren van realistische digitale tweelingen van metalen onderdelen.

Het uiteindelijke doel van dit werk is het versnellen van de certificering van nieuwe 3D-geprinte onderdelen. Momenteel vereist het bewijzen dat een nieuw metalen component veilig is voor gebruik uitgebreid testen en simuleren. Door deze AI te gebruiken om duizenden licht verschillende versies van een microstructuur te genereren, kunnen ingenieurs simulaties op al deze versies uitvoeren om het scala aan mogelijke uitkomsten te begrijpen. In plaats van één enkel getal te krijgen voor hoe sterk een onderdeel is, kunnen ze een waarschijnlijkheidsverdeling krijgen, die de meest waarschijnlijke sterkte en de kans op falen laat zien. Deze aanpak, bekend als onzekerheidskwantificering, biedt een veel dieper begrip van materiaalinbetrouwbaarheid. De onderzoekers demonstreerden dit door duizend variaties van een microstructuur te genereren en de waarschijnlijke reeks sterkte voor elk ervan te berekenen. De resultaten toonden aan dat hoewel de gemiddelde sterkte consistent was, er een meetbare spreiding in de gegevens zat, wat het belang benadrukt van het rekening houden met natuurlijke variaties in het productieproces.

Dit werk vormt een belangrijke stap voorwaarts in het vakgebied van de computationele materiaalkunde. Door geavanceerde kunstmatige intelligentie te combineren met fysieke simulaties, hebben de onderzoekers een instrument gecreëerd dat op aanvraag realistische, complexe materiaalstructuren kan genereren. Deze capaciteit stelt wetenschappers in staat om de enorme ruimte van mogelijke materiaalontwerpen veel sneller te verkennen dan ooit tevoren. Het overbrugt de kloof tussen de microscopische wereld van kristallen en de macroscopische wereld van technische prestaties, en biedt een nieuwe manier om de kritieke componenten van onze toekomstige infrastructuur te ontwerpen en te certificeren. Het vermogen om te voorspellen hoe een materiaal zich zal gedragen op basis van zijn interne structuur, en om die structuur te ontwerpen om aan specifieke behoeften te voldoen, brengt de belofte van veiligere, efficiëntere en innovatievere metalen onderdelen dichter bij de realiteit.