⚡ electrical engineering

Machine Learning-based Surrogate Model for Melt Pool Control in Laser-based Direct Energy Deposition

Este artigo apresenta um novo controlador substituto baseado em aprendizado de máquina acoplado a um solver de elementos finitos que permite o ajuste autônomo e em tempo real da potência do laser na Deposição de Energia Direta baseada em Laser para manter a penetração estável da poça de fusão, aumentando assim a precisão geométrica e reduzindo o tempo de computação, ao mesmo tempo em que demonstra generalização robusta através de diversas sequências de varredura.

Autores originais: Runeal Ramma, Carlos Moreira, Michele Chiumenti, Manuel Alejandro Caicedo, Raj Das, Zhijun Ji, Andrey Molotnikov

Publicado 2026-07-21

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Runeal Ramma, Carlos Moreira, Michele Chiumenti, Manuel Alejandro Caicedo, Raj Das, Zhijun Ji, Andrey Molotnikov

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

Imagine que você esteja tentando construir um castelo de chocolate derretido usando uma pistola de calor de alta potência. Você quer que as camadas se unam perfeitamente, mas se mantiver a pistola de calor na mesma configuração o tempo todo, a base do seu castelo ficará quente demais e começará a derreter em uma bagunça viscosa, enquanto o topo permanecerá frio demais para aderir. Esta é a realidade complicada de uma técnica de fabricação chamada Deposição de Energia Direta Baseada em Laser (DED-LB). É como imprimir em 3D com metal, onde um laser derrete o pó para construir peças camada por camada. O grande problema é o "acúmulo de calor": conforme a máquina constrói, a peça vai ficando cada vez mais quente, fazendo com que a poça de metal derretido cresça demais e fique muito profunda, o que arruína a forma e a resistência do objeto final. Por anos, engenheiros tentaram corrigir isso parando para esfriar ou apenas adivinhando as configurações corretas, mas esses métodos são lentos ou imprecisos. O objetivo é encontrar uma maneira de ajustar automaticamente a potência do laser em tempo real, como um termostato inteligente que sabe exatamente quando aumentar ou diminuar o calor para manter a "poça de fusão" na profundidade perfeita.

Este artigo apresenta uma nova solução inteligente: um "controlador substituto" alimentado por Aprendizado de Máquina (ML) que atua como um copiloto superveloz e superinteligente para o laser. Em vez de esperar pelos cálculos lentos e pesados das simulações computacionais tradicionais para descobrir as configurações de potência corretas, os pesquisadores treinaram um modelo de IA para prever a potência ideal do laser instantaneamente. Primeiro, eles usaram uma simulação computacional de alta fidelidade (um gêmeo digital muito detalhado do processo) para gerar uma biblioteca massiva de cenários "e se". Eles ensinaram a IA a reconhecer padrões no calor e na forma do metal derretido, focando especificamente em manter a "profundidade de penetração" (o quão profundo o laser derrete o metal) constante em 0,40 mm. Uma vez treinado, este modelo de IA foi conectado à simulação para controlar o laser em tempo real.

Os resultados mostram que esta abordagem impulsionada por IA é um divisor de águas para velocidade e estabilidade. Em testes envolvendo diferentes formas, como paredes finas e cubos ocos, o controlador de IA conseguiu manter a profundidade da poça de fusão estável, tão bem quanto o método tradicional lento, mas fez isso cerca de três vezes mais rápido. Por exemplo, enquanto o método antigo levou cerca de 141 horas de tempo de computador para determinar as configurações de potência para um cubo oco, a IA o fez em cerca de 57 horas. Ainda mais impressionante, a IA controlou com sucesso formas complexas que nunca tinha visto antes durante seu treinamento, provando que ela pode generalizar seu conhecimento para novos trabalhos. O estudo sugere que, ao usar este substituto baseado em ML, os fabricantes podem reduzir o acúmulo de calor, prevenir defeitos e imprimir peças metálicas complexas com maior precisão geométrica, tudo isso reduzindo o tempo necessário para planejar o processo. Os autores observam que, embora a IA seja atualmente uma ferramenta baseada em simulação, ela oferece um caminho robusto para o controle autônomo e em tempo real para o futuro da impressão 3D de metal.

Resumo Técnico: Modelo de Surrogacia Baseado em Aprendizado de Máquina para Controle da Poça de Fusão em Deposição de Energia Direta Baseada em Laser

Definição do Problema

A Deposição de Energia Direta Baseada em Laser (DED-LB) é uma tecnologia crítica para a manufatura aditiva (AM) de metais, particularmente para o reparo de componentes e fabricação de geometrias complexas. No entanto, sua adoção mais ampla é dificultada por desafios no controle dinâmico do processo, especificamente o acúmulo de calor. O emprego de parâmetros de processo constantes, como uma potência de laser fixa, leva a distorções térmicas significativas, tensões residuais elevadas e trincas no substrato. Embora existam abordagens numéricas e controladores para otimizar os parâmetros, os métodos tradicionais dependem frequentemente de otimização offline iterativa ou de controladores dependentes de parâmetros que carecem de adaptabilidade a novas sequências de varredura ou mudanças ambientais. Além disso, há uma lacuna em frameworks que possam computar eficientemente parâmetros de processamento ideais enquanto se adaptam rapidamente a novos cenários para garantir precisão geométrica e repetibilidade.

Metodologia

Os autores propõem uma estratégia inovadora integrando um modelo de Aprendizado de Máquina (ML) como um controlador de surogacia, acoplado a um solver de Elementos Finitos (FE), para alcançar o controle do processo em tempo de execução. A metodologia é executada em duas fases distintas:

1. Otimização Offline e Geração de Dados

Framework de Simulação: Uma análise térmica de Alta Fidelidade (HF) é realizada usando o FEMUSS, um software multifísico próprio. O modelo é calibrado contra dados experimentais de uma parede fina de Ti6Al4V depositada, minimizando os erros entre os perfis térmicos medidos e simulados para determinar os coeficientes de transferência de calor (HTCs).
Otimização A-Posteriori: Um loop offline iterativo ajusta o fornecimento de potência do laser para manter uma profundidade de penetração da poça de fusão alvo definida pelo usuário ( $D_{target} = 0,40$ mm). Este alvo foi selecionado para garantir a refusão da camada anterior (prevenindo a delaminação) enquanto minimiza a falta de fusão.
Lógica de Controle: Uma abordagem de controle por feedback proporcional ( $K_p$ ) corrige iterativamente o fornecimento de potência com base na diferença entre a profundidade de penetração observada e a alvo. Este processo gera um conjunto de dados de perfis de potência otimizados e assinaturas térmicas/geométricas correspondentes.

2. Desenvolvimento do Modelo de Aprendizado de Máquina

Construção do Conjunto de Dados: Dados sintéticos foram gerados a partir de 42 casos simulados envolvendo sequências de varredura unidirecionais e bidirecionais de paredes finas (10–110 mm).
Seleção de Características: Uma análise de correlação de posto de Spearman identificou características de entrada fundamentais, incluindo temperatura máxima, temperatura da poça de fusão, temperatura do pulso, temperatura da região adjacente, volume da poça de fusão e profundidade de penetração. A "profundidade de penetração da região adjacente" foi pré-definida para o valor alvo (0,40 mm) para atuar como uma salvaguarda durante o treinamento.
Arquitetura: Uma Rede Neural Artificial de Regressão (R-ANN) foi projetada utilizando ajuste de hiperparâmetros Bayesiano (via Keras). A arquitetura ideal inclui uma camada oculta com 15 neurônios, ativação ReLU e Erro Médio Absoluto (MAE) como função de perda. O modelo foi treinado usando o otimizador Adam com interrupção precoce (early stopping) para evitar o sobreajuste (overfitting).
Integração de Malha Fechada: O modelo de ML treinado é integrado ao solver FE em um loop fechado. Durante o tempo de execução, o solver fornece os estados térmicos e geométricos atuais para o modelo de ML, que prevê instantaneamente a potência corretiva do laser para manter a profundidade de penetração alvo.

Principais Contribuições

Controle de Surogacia Rápido: O framework deriva um perfil de potência de laser variável garantindo uma profundidade de penetração da poça de fusão constante em uma única iteração, eliminando a necessidade de otimização offline iterativa ou tentativa e erro experimental.
Eficiência Computacional: A abordagem baseada em ML alcança resultados aproximadamente 3 vezes mais rápidos do que a abordagem de otimização offline (por exemplo, reduzindo o tempo de computação de ~40 horas para ~12 horas para uma parede fina).
Capacidade de Generalização: O modelo prevê com sucesso perfis de potência otimizados para sequências de varredura (cubo oco e cubo com partição de preenchimento) que não foram incluídas no conjunto de dados de treinamento, demonstrando generalização robusta.
Gerenciamento Térmico: O sistema gera efetivamente reduções de potência necessárias para minimizar o acúmulo de calor, mantendo a morfologia da poça de fusão consistente (profundidade e comprimento) através de diferentes geometrias.
Interpretabilidade de Características: Utilizando SHapley Additive exPlanations (SHAP), o estudo quantifica a importância das características de entrada, revelando que as características térmicas (temperatura do substrato, comprimento da poça de fusão) são primordiais na influência das previsões de potência, muitas vezes superando as características geométricas.

Resultados

O desempenho do controlador de surogacia baseado em ML foi avaliado contra o fornecimento de potência constante e estratégias de otimização offline através de três exemplos numéricos: uma parede fina unidirecional, um depósito de cubo oco e um depósito de cubo com partição de preenchimento.

Estabilidade da Profundidade de Penetração:
- Potência Constante: A profundidade de penetração cresceu descontroladamente.
- Otimização Offline: 98,51% dos valores de profundidade de penetração caíram dentro da janela alvo (0,38–0,42 mm) para o caso do cubo oco.
- Surogacia de ML: 91,77% dos valores caíram dentro da janela alvo para o caso do cubo oco, e 87,68% para o caso do cubo com partição de preenchimento.
Comprimento da Poça de Fusão: O controlador de ML manteve o comprimento da poça de fusão dentro da faixa alvo (3,18–3,55 mm) com 82,81% (oco) e 87,54% (preenchimento) de aderência, comparável ou superior à otimização offline em algumas métricas.
Métricas de Erro: Em um caso de validação não visto (cilindro), o modelo de ML alcançou um Erro Médio Absoluto (MAE) de 100,4 W e um Erro Médio Percentual Absoluto (MAPE) de 5,55% em comparação com o perfil de potência otimizado offline.
Perfis Térmicos: Tanto a estratégia offline quanto a de ML reduziram significamente o acúmulo térmico em comparação com a potência constante, com a estratégia de ML mostrando transições de temperatura mais suaves no início dos hatches.

Significância

O artigo afirma que este trabalho fornece um framework robusto para o controle preciso e escalável de processos de AM metálica. Ao acoplar um surogata de ML com um solver de FE, o sistema permite o controle autônomo em tempo de execução que se adapta a condições térmicas dinâmicas sem intervenção humana. A capacidade de generalizar para sequências de varredura não vistas sugere que o método pode servir como uma ferramenta confiável para prototipagem rápida e manufatura de partes estruturais complexas, reduzindo significamente o tempo e o custo associados à otimização de parâmetros. Os autores observam que, embora o modelo atual utilize uma rede de regressão, trabalhos futuros investigarão Redes Neurais Recorrentes (RNNs) para melhor capturar dependências temporais em dados de séries temporais para um controle ainda mais responsivo.