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

Technische Samenvatting: Voorwaartse en Achterwaartse Voorspelling van Microkanaal-topografieën in Abrasieve Slurry Jet Machining

Probleemstelling
Abrasive Slurry Jet Micro-machining (ASJM) is een strategisch proces voor het creëren van micro-kenmerken met een hoge aspectratio in harde, brosse of temperatuurgevoelige materialen zonder een warmte-beïnvloede zone. Ondanks het potentieel voor biomedische apparaten, MEMS en luchtvaartkoelkanalen, wordt industriële adoptie gehinderen door de moeilijkheid om de bewerkte topografie te voorspellen en te controleren. Het voorwaartse probleem (het voorspellen van het geërodeerde profiel vanuit procesparameters) wordt bemoeilijkt door hoge jet-turbulentie, niet-lineaire deeltjeserosiedynamiek en een groot aantal onderling afhankelijke operationele parameters. Het achterwaartse probleem (het bepalen van de benodigde procesparameters om een gewenste topografie te bereiken) is nog uitdagender en is zelden aangepakt. Bestaande numerieke methoden, zoals Computational Fluid Dynamics (CFD), bieden een hoge getrouwheid maar zijn computationeel duur en moeilijk om te keren voor real-time controle. Daartegenover staand zijn eerdere machine learning (ML) toepassingen in abrasieve straalbewerking beperkt gebleven tot het voorspellen van scalaire outputs zoals oppervlakte-ruwheid of snijdiepte, in plaats van volledige oppervlakteprofielen.

Methodologie
De studie maakt gebruik van een datagestuurde aanpak met behulp van een uitgebreide dataset gegenereerd uit een full factorial design of experiments (DOE) met 210 unieke combinaties van operationele parameters op AA6061-T6 aluminium. De onafhankelijke variabelen waren pompdruk ($P$), straalsnelheid van de nozzle ($V$), stand-off afstand ($SOD$) en het aantal bewerkingspassages ($N$). De doeloutput was een 220-dimensionale vector die de dwarsdoorsnede-diepteprofiel van het microkanaal representeert.

Vier supervised learning-modellen werden ontwikkeld en vergeleken:

1. Polynoomregressie: Een parametrische baseline met feature-expansie om niet-lineariteiten te vangen.
2. Random Forest (RF): Een non-parametrische ensemble-methode, versterkt met domein-geïnformeerde feature engineering (bijv. cumulatief erosief potentieel $P \times N$).
3. Artificial Neural Network (ANN): Een volledig verbonden deep learning-model ontworpen om inputs te mappen naar de volledige profielvector.
4. Convolutional Neural Network (1D-CNN): Een deep learning-architectuur die gebruikmaakt van convolutionele lagen om lokale ruimtelijke correlaties binnen het profiel te vangen.

Alle modellen werden getraind op 85% van de data en geëvalueerd op een onafhankelijke testset met behulp van Mean Squared Error (MSE), Mean Absolute Error (MAE) en de coëfficiënt van determinatie ($R^2$). De studie onderzocht ook de modelgevoeligheid voor datasetgrootte (25% tot 100%) en inputruis.

Voor het achterwaartse probleem werd een ANN getraind om procesparameters ($P, SOD, V, N$) af te leiden uit een doelgeometrie. Om het "veel-op-één" karakter van het achterwaartse probleem aan te pakken (waarbij meerdere parametersets dezelfde geometrie kunnen opleveren), gebruikten de auteurs een "forward-consistency" loss. De voorspelde parameters werden door de getrainde voorwaartse ANN gestuurd om een gesimuleerd profiel te genereren, dat vervolgens werd vergeleken met de doelgeometrie. Dit zorgde ervoor dat het achterwaartse model fysiek consistente parameters produceerde. Een probabilistisch invers framework met Monte-Carlo dropout werd eveneens geïmplementeerd om een distributie van haalbare oplossingen te generen in plaats van een enkele deterministische gok.

Belangrijkste Bijdragen

1. Full-Profile Voorspelling: Dit werk presenteert het eerste ML-framework dat in staat is om de volledige vector-waardige dwarsdoorsnede van ASJM-bewerkte microkanalen te voorspellen, waarbij het verder gaat dan scalaire metrieken zoals ruwheid of diepte.
2. Physics-Informed Feature Engineering: De studie incorporeert een monotonie-bewust trainingsschema met behulp van engineered features (bijv. $P \times N, SOD \times V, P/V$) om bekende erosie-snelheidsafhankelijkheden te coderen, wat zorgt voor een eerlijke vergelijking tussen modellen.
3. Probabilistische Invers Design: De auteurs ontwikkelden een constraint-bewust invers framework dat een set haalbare parametercombinaties met onzekerheidsschattingen teruggeeft, waarmee expliciet wordt ingegaan op de niet-uniciteit van het achterwaartse probleem.
4. Beoordeling van Real-Time Bruikbaarheid: De studie kwantificeert de inferentie-latentie en toont aan dat deep learning surrogates binnen het milliseconden-per-pass budget kunnen opereren dat vereist is voor closed-loop procescontrole, in tegenstelling tot traditionele CFD-simulaties.
5. Open-Source Tool: De getrainde modellen en de experimentele dataset worden vrijgegeven als een gratis, browser-gebaseerde webapplicatie, waardoor operators zonder programmeerervaring de tools kunnen gebruiken.

Resultaten

• Voorwaartse Voorspelling: Alle modellen voorspelden de microkanaalprofielen succesvol met aspectratio's variërend van 0,06 tot ~2. De ANN behaalde de hoogste nauwkeurigheid ($R^2 = 0,817$, MAE = 0,00339 mm), gevolgd door de 1D-CNN ($R^2 = 0,807$). Traditionele modellen (Polynoomregressie en RF) presteerden redelijk goed ($R^2 \approx 0,76$), maar waren minder accuraat bij hoog-aspectratio kenmerken.
• Datasetgevoeligheid: Prestaties verbeterden met de datasetgrootte en vlakteren na het gebruik van 75% van de data. De ANN vertoonde de hoogste robuustheid en behield een $R^2$ van 0,7, zelfs met slechts 25% van de dataset, terwijl het Random Forest-model onder dezelfde omstandigheden significant degradeerde ($R^2 = 0,32$).
• Ruis-robuustheid: Deep learning-modellen (ANN en CNN) vertoonden een hoge tolerantie voor inputruis, waarbij de MAE slechts licht toenam (van 3,5 µm naar 4,1 µm) onder 10% Gaussische ruis. In tegenstelling hiertoe produceerde het polynoommodel niet-fysische waarden onder vergelijkbare ruiscondities.
• Achterwaartse Voorspelling: De inverse ANN voorspelde succesvol procesparameters voor doelgeometrieën. Wanneer alleen diepte en breedte als input werden gebruikt, behaalde het model een $R^2$ van 0,94 voor diepte en 0,55 voor breedte. Bij gebruik van het volledige profiel als input nam de nauwkeurigheid af ($R^2 \approx 0,77$) door de dimensionaliteit en redundantie van de input. De probabilistische inverse aanpak identificeerde succesvol haalbare parametersets met een mediane absolute diepte-fout van 0,94 µm.
• Latentie: Inferentietijden op een enkele CPU varieerden van 0,22 ms (Polynoom) tot ~100 ms (Deep Learning), wat ze geschikt maakt voor real-time controle, terwijl het Random Forest-model ~10,9 seconden per sample in beslag nam, wat het ongeschikt maakt voor real-time toepassingen.

Betekenis
Het artikel beweert dat dit werk de kloof overbrugt tussen empirische tests en real-time voorspellende fabricage in ASJM. Door de voorspellingstijd te verminderen van uren (CFD) naar microseconden/milliseconden, verwijderen de voorgestelde ML-surrogates de computationele barrière die voorkomt dat natuurkundige modellen in closed-loop controllers kunnen worden geïntegreerd. Het framework maakt "one-shot" specificatie van procesparameters voor gewenste geometrieën mogelijk, wat geautomatiseerde procesplanning, digital twin-integratie en snelle kwalificatie van nieuwe materiaal-abrasief combinaties faciliteert. De auteurs positioneren dit als een pioniersinspanning om de haalbaarheid van ML voor complexe, niet-lineaire materiaalverwijderingspatronen in abrasieve straalbewerking aan te tonen, waarbij de getrainde modellen en tools publiekelijk beschikbaar zijn gesteld om adoptie in het veld te versnellen.