Technische Samenvatting: Machine Learning-gebaseerd Surrogaatmodel voor Smeltbadcontrole bij Laser-gebaseerde Direct Energy Deposition

Probleemstelling

Laser-gebaseerde Direct Energy Deposition (DED-LB) is een cruciale technologie voor metaal additieve fabricage (AM), met name voor de reparatie van componenten en de fabricage van complexe geometrieën. De bredere adoptie ervan wordt echter belemmerd door uitdagingen in de dynamische procescontrole, specifiek wat betreft warmteaccumulatie. Het gebruik van constante procesparameters, zoals een vast laservermogen, leidt tot aanzienlijke thermische vervorming, verhoogde restspanningen en substraatscheuren. Hoewel numerieke benaderingen en controllers bestaan om parameters te optimaliseren, vertrouwen traditionele methoden vaak op iteratieve offline optimalisatie of parameterafhankelijke controllers die niet adaptief zijn aan nieuwe scangequenties of omgevingsveranderingen. Bovendien is er een kloof in frameworks die efficiënt optimale procesparameters kunnen berekenen terwijl ze snel kunnen adapteren aan nieuwe scenario's om geometrische nauwkeurigheid en reproduceerbaarheid te waarborgen.

Methodologie

De auteurs stellen een nieuwe strategie voor die een Machine Learning (ML) model integreert als een surrogaatcontroller, gekoppeld aan een Finite Element (FE) solver, om procescontrole tijdens de uitvoering te bereiken. De methodologie wordt uitgevoerd in twee afzonderlijke fasen:

1. Offline Optimalisatie en Datageneratie

• Simulatieframework: High-Fidelity (HF) thermische analyse wordt uitgevoerd met FEMUSS, een in-house multiphysics software. Het model wordt gekalibreerd tegen experimentele data van een Ti6Al4V dunwandige depositie, waarbij de fouten tussen gemeten en gesimuleerde thermische profielen worden geminimaliseerd om warmteoverdrachtscoëfficiënten (HTCs) te bepalen.
• A-Posteriori Optimalisatie: Een iteratieve offline loop past het laservermogen aan om een door de gebruiker gedefinieerde doelstelling voor de penetratiediepte van het smeltbad ($D_{target} = 0,40$ mm) te handhaven. Deze doelstelling werd gekozen om het hergesmolten van de vorige laag te garanderen (ter voorkoming van delaminatie) terwijl gebrek aan fusie wordt geminimaliseerd.
• Contrologica: Een proportionele feedbackcontrole ($K_p$) corrigeert iteratief de vermogensvoorziening op basis van het verschil tussen de geobserveerde en de doelgestelde penetratiediepte. Dit proces genereert een dataset van geoptimaliseerde vermogensprofielen en bijbehorende thermische/geometrische signaturen.

2. Ontwikkeling van het Machine Learning Model

• Dataset Constructie: Synthetische data werd gegenereerd uit 42 gesimuleerde gevallen van unidirectionele en bidirectionele scangequenties van dunne wanden (10–110 mm).
• Feature Selectie: Een Spearman's rangcorrelatieanalyse identificeerde belangrijke inputfeatures, waaronder maximale temperatuur, smeltbadtemperatuur, puls-temperatuur, temperatuur van de volgende regio, smeltbadvolume en penetratiediepte. De "penetratiediepte van de volgende regio" werd vooraf ingesteld op de doelwaarde (0,40 mm) om als veiligheid te dienen tijdens de training.
• Architectuur: Een Regression Artificial Neural Network (R-ANN) werd ontworpen met behulp van Bayesian hyperparameter tuning (via Keras). De optimale architectuur omvat één verborgen laag met 15 neuronen, ReLU-activatie en Mean Absolute Error (MAE) als loss-functie. Het model werd getraind met de Adam-optimizer met early stopping om overfitting te voorkomen.
• Closed-Loop Integratie: Het getrainde ML-model wordt in een closed-loop geïntegreerd met de FE-solver. Tijdens de uitvoering levert de solver de huidige thermische en geometrische staten aan het ML-model, dat direct het corrigerende laservermogen voorspelt om de doelgestelde penetratiediepte te handhaven.

Belangrijkste Bijdragen

1. Snelle Surrogaatcontrole: Het framework levert een variabel laservermogensprofiel dat een constante penetratiediepte van het smeltbad garandeert in een enkele iteratie, waardoor iteratieve offline optimalisatie of experimentele trial-and-error overbodig wordt.
2. Computationele Efficiëntie: De ML-gebaseerde aanpak bereikt resultaten die ongeveer 3 keer sneller zijn dan de offline optimalisatie-aanpak (bijv. het reduceren van de rekentijd van ~40 uur naar ~12 uur voor een dunne wand).
3. Generalisatievermogen: Het model voorspelt succesvol geoptimaliseerde vermogensprofielen voor scangequenties (holle kubische en met invulling verdeelde kubische structuren) die niet aanwezig waren in de trainingsdataset, wat een robuuste generalisatie aantoont.
4. Thermisch Beheer: Het systeem genereert effectief de noodzakelijke vermogensreducties om warmteaccumulatie te minimaliseren, waardoor een consistente smeltbadmorfologie (diepte en lengte) over verschillende geometrieën heen wordt behouden.
5. Feature Interpreteerbaarheid: Met behulp van SHapley Additive exPlanations (SHAP) kwantificeert de studie het belang van inputfeatures, waarbij wordt vastgesteld dat thermische kenmerken (substraattemperatuur, smeltbadlengte) cruciaal zijn voor de invloed op de vermogensvoorspellingen, en vaak zwaarder wegen dan geometrische kenmerken.

Resultaten

De prestaties van de ML-gebaseerde surrogaatcontroller werden geëvalueerd tegen constante vermogensvoorziening en offline optimalisatiestrategieën over drie numerieke voorbeelden: een unidirectionele dunne wand, een holle kubische depositie en een met invulling verdeelde kubische depositie.

• Stabiliteit van de Penetratiediepte:
  • Constant Vermogen: De penetratiediepte groeide ongecontroleerd.
  • Offline Optimalisatie: 98,51% van de penetratiediepte-waarden viel binnen het doelvenster (0,38–0,42 mm) voor de holle kubische case.
  • ML Surrogaat: 91,77% van de waarden viel binnen het doelvenster voor de holle kubische case, en 87,68% voor de met invulling verdeelde kubische case.
• Smeltbadlengte: De ML-controller hield de smeltbadlengte binnen het doelbereik (3,18–3,55 mm) met 82,81% (hol) en 87,54% (infill) naleving, wat vergelijkbaar is met of de offline optimalisatie in sommige metrieken overtreft.
• Foutmetrieken: Op een onbekende validatiecase (cilinder) behaalde het ML-model een Mean Absolute Error (MAE) van 100,4 W en een Mean Absolute Percentage Error (MAPE) van 5,55% vergeleken met het offline geoptimaliseerde vermogensprofiel.
• Thermische Profielen: Zowel de offline als de ML-strategie reduceerden de warmteaccumulatie aanzienlijk vergeleken met constant vermogen, waarbij de ML-strategie gladdere temperatuurovergangen vertoonde aan het begin van de hatches.

Betekenis

Het artikel stelt dat dit werk een robuust framework biedt voor de precieze en schaalbare controle van metalen AM-processen. Door een ML-surrogaat te koppelen aan een FE-solver, maakt het systeem autonome controle tijdens de uitvoering mogelijk die zich aanpast aan dynamische thermische condities zonder menselijke tussenkomst. Het vermogen om te generaliseren naar onbekende scangequenties suggereert dat de methode kan dienen als een betrouwbaar instrument voor snelle prototyping en de fabricage van complexe structurele onderdelen, wat de tijd en kosten die gepaard gaan met parameteroptimalisatie aanzienlijk vermindert. De auteurs merken op dat hoewel het huidige model een regressienetwerk gebruikt, toekomstig werk Recurrent Neural Networks (RNN's) zal onderzoeken om tijdsafhankelijke relaties in tijdreeksdata beter te vangen voor een nog responsievere controle.