Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

Metaalproductie vertrouwt al lang op het vermogen om materialen met extreme precisie te smelten en te versmelten, een proces dat complexe onderdelen laag voor laag opbouwt. In een geavanceerde techniek die bekend staat als directed energy deposition, doet een krachtige laserstraal metaalpoeder smelten terwijl het op een oppervlak wordt gespoten, waardoor een kleine, gloeiende plas van gesmolten metaal ontstaat. De vorm en grootte van deze smeltpool bepalen of het uiteindelijke onderdeel sterk en foutloos is, of vol zit met verborgen scheuren en zwakke plekken. Het probleem is dat het meest kritieke deel van deze plas — de diepte waartoe het metaal smelt — zich onder het oppervlak bevindt, onzichtbaar voor het blote oog en onmogelijk te meten terwijl de machine draait. Decennialang hebben ingenieurs de machine moeten stoppen, het onderdeel open moeten snijden en het onder een microscoop moeten onderzoeken om te zien of het proces was geslaagd, een trage en destructieve methode die geen ruimte laat voor realtime correctie.

Een team onderzoekers aan het Stevens Institute of Technology heeft een nieuwe manier ontwikkeld om het onzichtbare te zien. Ze creëerden een systeem dat kunstmatige intelligentie gebruikt om de verborgen diepte van de smeltpool in realtime te voorspellen, gebruikmakend van enkel de zichtbare warmtepatronen aan het oppervlak en de instellingen van de laser. Door een computer te leren van een enorme bibliotheek van computersimulaties en die kennis vervolgens te verfijnen met een kleine hoeveelheid echte gegevens, bouwden ze een model dat het printproces kan observeren en de operator direct kan vertellen hoe diep het metaal smelt. Deze aanpak overbrugt de kloof tussen theoretische fysica en de rommelige realiteit van een fabrieksvloer, en biedt een pad naar het produceren van onderdelen die worden gemonitord en gecorrigeerd terwijl ze worden gemaakt, in plaats van te worden geïnspecteerd nadat ze zijn voltooid.

De kernuitdaging in dit veld is dat de smeltpool een vluchtig, chaotisch evenement is. Terwijl de laser over het metaal beweegt, creëert hij een plas die voortdurend van vorm verandert, waarbij de hitte naar buiten straalt en het metaal op complexe manieren stroomt. Hoewel camera's gemakkelijk de breedte van de plas aan het oppervlak kunnen zien, blijft de diepte een mysterie totdat het onderdeel wordt vernietigd. Om dit op te lossen, wenden de onderzoekers zich tot een methjd genaamd transfer learning. Stel je een student voor die jarenlang natuurkundeboeken bestudeert en duizenden oefenopgaven oplost in een stille klasruimte voordat hij ooit een echt laboratorium binnenstapt. Die student begrijpt de fundamentele regels van de wereld al, dus wanneer hij uiteindelijk een echt experiment tegemoet treedt, heeft hij veel minder tijd nodig om de specifieke details van die specifieke opstelling te leren. De onderzoekers pasten dezezelfde logica toe op hun computermodel.

Eerst genereerden ze een enorme dataset met behulp van een natuurkundige computersimulatie. Ze modelleerden het gedrag van roestvrij staal terwijl dit door een laser werd verhit, waarbij ze meer dan 1.300 verschillende scenario's creëerden met variërende laservermogens, snelheden en spotgroottes. In deze virtuele wereld kende de computer de exacte diepte en breedte van elke smeltpool die hij creëerde. Ze gebruikten deze gesimuleerde data om een complex neuraal netwerk te trainen, een type kunstmatige intelligentie dat is ontworpen om patronen te herkennen. Het netwerk leerde de warmtepatronen aan het oppervlak te associëren met de verborgen diepte eronder, waardoor het een robuust begrip kreeg van de betrokken fysica. De onderzoekers wisten echter dat een model dat alleen getraind is op perfecte computersimulaties, moeite zou hebben wanneer het geconfronteerd wordt met de ruis, reflecties en imperfecties van een echte machine.

Om deze kloof te overbruggen, namen ze het voorgetrainde model en verfijnden ze dit met een kleine set echte experimentele gegevens. Ze voerden single-track printexperimenten uit op een echte machine, waarbij ze infraroodbeelden met hoge snelheid van de smeltpool vastlegden. Om de computer te leren hoe de echte plassen eruitzagen, moesten ze de geprinte banen open snijden en de werkelijke diepte en breedte onder een microscoop meten. Omdat ze niet elk enkel frame van de video konden meten, gebruikten ze een statistische methode om deze gemeten waarden toe te wijzen aan de beelden, waardoor een trainingsset van ongeveer 550 gelabelde afbeeldingen ontstond. Wanneer ze deze echte data in het model voedden, paste het netwerk zijn interne instellingen aan om rekening te houden met de verschillen tussen de schone simulatie en de ruisige echte wereld.

De resultaten lieten zien dat deze tweestapsbenadering veel superieur was aan het trainen van een model vanaf nul met behulp van alleen de beperkte real-world data. Wanneer de onderzoekers de modellen testten op nieuwe, ongeziene printjobs, maakte het met simulaties ondersteunde model aanzienlijk minder fouten. Voor het voorspellen van de breedte van de plas was het simulatie-ondersteunde model accuraat binnen ongeveer 7 procent, terwijl het model dat alleen op echte data was getraind bijna 30 procent afweek. Het verschil was nog dramatischer voor de diepte, wat de moeilijkere variabele is om te voorspellen. Het simulatie-ondersteunde model voorspelde de diepte met een fout van ongeveer 22 procent, terwijl het model dat zonder hulp van simulaties werd getraind, de plank bijna met 75 procent missloeg. In de moeilijkste gevallen, waar de data extreem schaars was, behield het met simulatie getrainde model een hoog niveau van nauwkeurigheid, terwijl het andere model er helemaal niet in slaagde de juiste patronen te leren.

De onderzoekers ontdekten ook dat het systeem het beste werkte wanneer het twee soorten informatie combineerde: de thermische beelden van de plas en de specifieke instellingen van de laser. De beelden boden de visuele vorm van de hitte, wat hielp bij het bepalen van de breedte, terwijl de laserinstellingen de energetische context boden die nodig was om de diepte te raden. Wanneer ze het systeem in realtime testten op zes verschillende printjobs met instellingen die de computer nog nooit had gezien, volgde het succesvol de veranderende geometrie van de plas terwijl de laser bewoog. Het identificeerde correct wanneer de plas te ondiep was, een conditie die vaak leidt tot zwakke onderdelen, terwijl het onondersteunde model consequent de diepte overschatte en deze defecten miste.

Dit werk demonstreert dat het mogelijk is om de kracht van natuurkundige simulaties naar de echte wereld van productie te brengen zonder dat daar duizenden dure, tijdrovende experimenten voor nodig zijn. Door simulaties te gebruiken om de AI de regels van het spel te leren en echte data om de computer de nuances van de specifieke machine te leren, hebben de onderzoekers een hulpmiddel gecreëerd dat zowel accuraat als efficiënt is. Het systeem voorspelt niet alleen getallen; het biedt een manier om de gezondheid van het productieproces te monitoren terwijl het gebeurt, wat potentieel machines in staat stelt zichzelf on the fly aan te passen om defecten te voorkomen. Hoewel de technologie nog steeds wordt verfijnd, bewijst de studie dat het combineren van de helderheid van computermodellen met de realiteit van fysieke experimenten problemen kan oplossen die ooit als te moeilijk werden beschouwd om in realtime aan te pakken.