⚡ electrical engineering

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

Este artigo apresenta um framework de aprendizado de transferência Sim-to-Real que aproveita uma CNN híbrida de múltiplas entradas pré-treinada em simulações baseadas em física e ajustada com dados experimentais limitados para alcançar a predição precisa e em tempo real da largura e profundidade da poça de fusão em Deposição de Energia Direcionada, superando assim a barreira de longa data da medição indireta de profundidade para controle de malha fechada.

Autores originais: Youmna Mahmoud, Nikhil Muralidhar, Chaitanya Krishna Vallabh, Souran Manoochehri

Publicado 2026-08-25

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Youmna Mahmoud, Nikhil Muralidhar, Chaitanya Krishna Vallabh, Souran Manoochehri

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A fabricação de metais há muito depende da capacidade de derreter e fundir materiais com extrema precisão, um processo que constrói partes complexas camada por camada. Em uma técnica avançada conhecida como deposição de energia direcionada, um feixe de laser poderoso derrete o pó metálico conforme ele é pulverizado sobre uma superfície, criando uma pequena poça de metal fundido e brilhante. A forma e o tamanho dessa poça de metal fundido determinam se a peça final será forte e impecável ou repleta de rachaduras ocultas e pontos fracos. O problema é que a parte mais crítica dessa poça — a profundidade à qual o metal derrete — ocorre abaixo da superfície, invisível a olho nu e impossível de medir enquanto a máquina está funcionando. Por décadas, os engenheiros tiveram que parar a máquina, cortar a peça e examiná-la sob um microscópio para ver se o processo funcionou, um método lento e destrutivo que não deixa margem para correção em tempo real.

Uma equipe de pesquisadores do Instituto de Tecnologia de Stevens desenvolveu uma nova maneira de ver o invisível. Eles criaram um sistema que utiliza inteligência artificial para prever a profundidade oculta da poça de metal fundido em tempo real, usando apenas os padrões de calor visíveis na superfície e as configurações do laser. Ao ensinar um computador a aprender a partir de uma vasta biblioteca de simulações computacionais primeiro, e depois refinar esse conhecimento com uma pequena quantidade de dados do mundo real, eles construíram um modelo que pode observar o processo de impressão e dizer instantaneamente aos operadores quão profundo o metal está derretendo. Essa abordagem preenche a lacuna entre a física teórica e a realidade desordenada de um chão de fábrica, oferecendo um caminho para a fabricação de peças que são monitoradas e corrigidas enquanto são feitas, em vez de inspecionadas após serem finalizadas.

O desafio central neste campo é que a poça de metal fundido é um evento fugaz e caótico. À medida que o laser se move através do metal, ele cria uma poça que está em constante mudança, com o calor irradiando para fora e o metal fluindo de maneiras complexas. Embora as câmeras possam ver facilmente a largura da poça na superfície, a profundidade permanece um mistério até que a peça seja destruída. Para resolver isso, os pesquisadores recorreram a um método chamado aprendizado por transferência (transfer learning). Imagine um estudante que passa anos estudando livros de física e resolvendo milhares de problemas práticos em uma sala de aula silenciosa antes mesmo de pisar em um laboratório real. Esse estudante já entende as regras fundamentais do mundo, então, quando finalmente enfrenta um experimento real, ele precisa de muito menos tempo para aprender as especificidades daquela configuração específica. Os pesquisadores aplicaram essa mesma lógica ao seu modelo computacional.

Primeiro, eles geraram um conjunto massivo de dados usando uma simulação computacional baseada em física. Eles modelaram o comportamento do aço inoxidável conforme ele era aquecido por um laser, criando mais de 1.300 cenários diferentes com variadas potências de laser, velocidades e tamanhos de ponto. Neste mundo virtual, o computador conhecia a profundidade e a largura exatas de cada poça de metal fundido que criava. Eles usaram esses dados simulados para treinar uma rede neural complexa, um tipo de inteligência artificial projetada para reconhecer padrões. A rede aprendeu a associar os padrões de calor na superfície com a profundidade oculta abaixo, construindo uma compreensão robusta da física envolvida. No entanto, os pesquisadores sabiam que um modelo treinado apenas com simulações de computador perfeitas teria dificuldades ao enfrentar o ruído, os reflexos e as imperfeições de uma máquina real.

Para preencher essa lacuna, eles pegaram o modelo pré-treinado e o ajustaram usando um pequeno conjunto de dados experimentais reais. Eles realizaram experimentos de impressão de trilha única em uma máquina real, capturando imagens infravermelhas de alta velocidade da poça de metal fundido. Para ensinar ao computador como eram as poças reais, eles tiveram que cortar as trilhas impressas e medir a profundidade e a largura reais sob um microscópio. Como não podiam medir cada quadro do vídeo, utilizaram um método estatístico para atribuir esses valores medidos às imagens, criando um conjunto de treinamento de cerca de 550 imagens rotuladas. Quando inseriram esses dados reais no modelo, a rede ajustou suas configurações internas para levar em conta as diferenças entre a simulação limpa e o mundo real ruidoso.

Os resultados mostraram que essa abordagem de duas etapas foi muito superior ao treinamento de um modelo do zero usando apenas os limitados dados do mundo real. Quando os pesquisadores testaram os modelos em novos trabalhos de impressão não vistos anteriormente, o sistema treinado com a ajuda de simulações cometeu significativamente menos erros. Para prever a largura da poça, o modelo assistido por simulação foi preciso dentro de cerca de 7%, enquanto o modelo treinado apenas com dados reais errou por quase 30%. A diferença foi ainda mais dramática para a profundidade, que é a variável mais difícil de prever. O modelo assistido por simulação previu a profundidade com um erro de cerca de 22%, enquanto o modelo treinado sem a ajuda da simulação errou a marca por quase 75%. Nos casos mais difíceis, onde os dados eram extremamente escassos, o modelo treinado por simulação manteve um alto nível de precisão, enquanto o outro modelo falhou em aprender os padrões corretos.

Os pesquisadores também descobriram que o sistema funcionava melhor quando combinava dois tipos de informação: as imagens térmicas da poça e as configurações específicas do laser. As imagens forneciam a forma visual do calor, o que ajudava a determinar a largura, enquanto as configurações do laser forneciam o contexto de energia necessário para estimar a profundidade. Quando testaram o sistema em tempo real em seis diferentes trabalhos de impressão que utilizavam configurações que o computador nunca havia visto, ele rastreou com sucesso a geometria mutável da poça conforme o laser se movia. O sistema identificou corretamente quando a poça estava muito rasa, uma condição que frequentemente leva a peças fracas, enquanto o modelo sem assistência superestimou consistentemente a profundidade e perdeu esses defeitos.

Este trabalho demonstra que é possível trazer o poder das simulações de física para o mundo real da manufatura sem a necessidade de milhares de experimentos caros e demorados. Ao usar simulações para ensinar à IA as regras do jogo e dados reais para ensinar as nuances de uma máquina específica, os pesquisadores criaram uma ferramenta que é tanto precisa quanto eficiente. O sistema não apenas prevê números; ele oferece uma maneira de monitorar a integridade do processo de fabricação conforme ele acontece, permitindo potencialmente que as máquinas se ajustem por conta própria para evitar defeitos. Embora a tecnologia ainda esteja sendo refinada, o estudo prova que combinar a clareza dos modelos computacionais com a realidade dos experimentos físicos pode resolver problemas que antes eram considerados difíceis demais para serem abordados em tempo real.

Resumo Técnico: Aprendizado por Transferência Sim-to-Real para Predição em Tempo Real da Geometria da Poça de Fusão em Deposição de Energia Direcionada

Definição do Problema
Na Deposição de Energia Direcionada (DED), a geometria da poça de fusão (especificamente sua largura e profundidade) é um determinante crítico da qualidade da peça, da microestrutura e do desempenho mecânico. No entanto, o monitoramento em tempo real da profundidade da poça de fusão é um desafio persistente, pois trata-se de uma característica de subsuperfície que não pode ser medida diretamente por sensores de superfície. O monitoramento tradicional baseia-se em termografia ou imagens ópticas, que são suscetíveis a ruídos, respingos (spatter) e variações de emissividade, e frequentemente falham em fornecer a quantificação precisa da profundidade sem análise transversal destrutiva. Embora o aprendizado de máquina ofereça uma solução baseada em dados, o treinamento de modelos robustos normalmente requer conjuntos de dados experimentais grandes e de alta qualidade, que são caros, demorados e destrutivos de adquirir. Por outro lado, simulações baseadas em física podem gerar vastas quantidades de dados rotulados, mas sofrem de um hiato "sim-to-real" devido a simplificações de modelagem e variabilidades de processo não modeladas, limitando sua implementação direta.

Metodologia
Os autores propõem um framework de Aprendizado por Transferência (TL) Sim-to-Real para colmatar a lacuna entre a escalabilidade da simulação e os dados experimentais realistas. O fluxo de trabalho consiste em três estágios principais:

Pré-treinamento de Simulação (Tarefa de Origem): Um grande conjunto de dados (~1.360 amostras) foi gerado usando simulações térmicas de elementos finitos 3D no COMSOL Multiphysics. Essas simulações modelaram processos de trilha única de DED em substratos de SS316L, variando a potência do laser (200–800 W), a velocidade de varredura (200–1200 mm/min) e o tamanho do spot (0,5–1,0 mm). O resultado incluiu mapas de temperatura de superfície e valores correspondentes de largura e profundidade da poça de fusão derivados da geometria 3D simulada.
Ajuste Fino Experimental (Tarefa de Destino): Um conjunto de dados experimentais limitado (~550 quadros rotulados) foi coletado usando um sistema Optomec LENS MTS 500 equipado com uma câmera infravermelha (IR) Optris PI 05M. Devido ao descompasso entre a alta resolução temporal dos quadros IR e a natureza esparsa das medições transversais destrutivas (realizadas a 25%, 50% e 75% da trilha), uma estratégia de rotulagem estatística foi empregada. Os rótulos de verdade absoluta (ground-truth) para quadros individuais foram atribuídos através da amostragem de distribuições normais baseadas na média e no desvio padrão das três medições transversais por trilha. Para alinhar os dados experimentais com as simulações, um limiar de temperatura de 1800°C foi aplicado às imagens IR para suprimir o ruído de fundo e respingos.
Arquitetura de Rede Neural: Uma rede neural convolucional (CNN) híbrida de múltiplas entradas foi desenvolvida. Ela apresenta dois ramos paralelos: um ramo de imagem processando mapas térmicos IR de 400x400 para extrair gradientes térmicos espaciais, e um ramo de parâmetros de processo processando entradas numéricas (potência do laser, velocidade de varredura, tamanho do spot). Essas características são concatenadas e passadas por camadas totalmente conectadas para regredir a largura e a profundidade da poça de fusão.

Principais Contribuições

Framework Inovador: O artigo introduz um pipeline específico de TL Sim-to-Real para manufatura aditiva metálica que altera o alvo de predição de campos de temperatura (comum em estudos anteriores de PINN) para a geometria direta da poça de fusão (largura e profundidade).
Estratégia de Entrada Híbrida: O estudo demonstra que combinar imagens térmicas em tempo real com parâmetros de processo gera uma precisão superior em comparação ao uso de apenas uma dessas modalidades de entrada.
Rotulagem Estatística: Os autores abordam o problema da escassez de dados e do descompasso de rotulagem ao implementar uma estratégia de amostragem Gaussiana para atribuir rótulos de geometria a quadros de alta frequência de IR, permitindo o uso de grandes volumes de vídeo experimental apesar das medições destrutivas esparsas.
Implantação em Tempo Real: O framework é validado não apenas em conjuntos de teste estáticos, mas também via predição quadro a quadro durante a fabricação de trilhas únicas previamente não vistas.

Resultos

Desempenho em Regimes de Baixos Dados: O modelo de TL ajustado superou significativamente um modelo de linha de base treinado do zero apenas com dados experimentais, particularmente quando os dados de treinamento eram escassos (50–100 amostras). Para a predição da profundidade da poça de fusão com 100 amostras, o modelo de TL alcançou um $R^2 > 0,6$ , enquanto a linha de base permaneceu abaixo de 0,2.
Métricas de Erro: Em seis construções de trilha única não vistas anteriormente, o modelo de TL alcançou um Erro Percentual Absoluto Médio (MAPE) de 7,41% para a largura e 22,45% para a profundidade. Em contraste, o modelo de linha de base apresentou MAPEs de 29,35% (largura) e 74,66% (profundidade).
Convergência e Estabilidade: O modelo de TL demonstrou convergência mais rápida e maior estabilidade de treinamento, evitando o sobreajuste (overfitting) observado na linha de base quando os dados eram limitados.
Quantificação de Incerteza: Usando dropout de Monte Carlo, o estudo mostrou que o modelo ajustado produziu intervalos de confiança de 95% mais estreitos e menor incerteza preditiva em comparação com a linha de base, particularmente para as predições de profundidade.
Achados de Ablação: O estudo de ablação confirmou que, embora os parâmetros de processo sozinhos pudessem prever a profundidade razoavelmente bem, eles falharam em capturar variações de largura. Por outro outro lado, as imagens sozinhas tiveram dificuldade com a profundidade. A combinação das entradas forneceu as predições mais equilibradas e precisas.

Significância e Alegações
Os autores alegam que este trabalho estabelece um caminho prático para o controle de malha fechada orientado por sensores na manufatura aditiva metálica. Ao aproveitar simulações baseadas em física para pré-treinar modelos e refiná-los com dados experimentais limitados, a abordagem supera a barreira da escassez de dados que tipicamente impede aplicações de aprendizado profundo em DED. Os resultados sugerem que modelos informados por simulação podem prever de forma confiável a geometria de subsuperfície da poça de fusão em tempo real, permitindo a detecção de defeitos (ex: falta de fusão ou keyholing) e controle de processo adaptativo sem o custo proibitivo de uma extensa coleta de dados experimentais. O artigo posiciona este método como uma alternativa viável às técnicas caras de imagem de subsuperfície in-situ, como raio-X de alta velocidade, oferecendo uma solução escalável para o monitoramento industrial.

Mais como este