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

技术摘要：磨料浆流喷射加工中微通道形貌的正向与逆向预测

问题陈述
磨料浆流喷射微加工（ASJM）是一种用于在硬质、脆性或热敏感材料上制造高深宽比微型特征的战略性工艺，且不会产生热影响区。尽管其在生物医学器件、MEMS 和航空航天冷却通道领域具有潜力，但由于难以预测和控制加工后的形貌，工业化应用受到了阻碍。正向问题（根据工艺参数预测侵蚀轮廓）由于高喷流湍流、非线性颗粒侵蚀动力学以及众多相互依赖的运行参数而变得复杂。逆向问题（确定实现目标形廓所需的工艺参数）则更具挑战性，且极少被研究。现有的数值方法（如计算流体力学 CFD）虽然具有高保真度，但计算成本高昂，且难以进行反演以实现实时控制。相反，以往机器学习（ML）在磨料喷射加工中的应用仅限于预测标量输出（如表面粗糙度或切削深度），而非完整的表面轮廓。

方法论
本研究采用数据驱动的方法，利用从包含 270 组独特运行参数组合的全因子实验设计（DOE）中生成的综合数据集，实验对象为 AA6061-T6 铝合金。自变量包括泵压 ($P$)、喷嘴移动速度 ($V$)、驻留距离 ($SOD$) 以及加工次数 ($N$)。目标输出是一个代表微通道横截面深度轮廓的 220 维向量。

研究开发并对比了四种监督学习模型：

1. 多项式回归： 一种通过特征扩展来捕捉非线性的参数化基准模型。
2. 随机森林 (RF)： 一种通过领域知识启发式特征工程（例如累积侵蚀潜力 $P \times N$）增强的非参数集成方法。
3. 人工神经网络 (ANN)： 一种全连接深度学习模型，旨在将输入映射到完整的轮廓向量。
4. 卷积神经网络 (1D-CNN)： 一种利用卷积层捕获轮廓内局部空间相关性的深度学习架构。

所有模型均基于 85% 的数据进行训练，并在留出的测试集上使用均方误差 (MSE)、平均绝对误差 (MAE) 和决定系数 ($R^2$) 进行评估。研究还调查了模型对数据集规模（25% 至 100%）和输入噪声的敏感性。

针对逆向问题，研究训练了一个 ANN 来根据目标几何形状推断工艺参数（$P, SOD, V, N$）。为了解决逆向问题中的“多对一”性质（即多组参数组合可能产生相同的几何形状），作者采用了“正向一致性”损失函数。预测的参数被传递给预训练的正向 ANN 以生成模拟轮廓，随后将其与目标几何形状进行比较。这确保了逆向模型生成的参数符合物理一致性。此外，研究还实现了一个基于蒙特卡洛丢弃法（Monte-Carlo dropout）的概率逆向框架，用以生成可行解的分布，而非单一的确定性解。

核心贡献

1. 全轮廓预测： 本工作提出了首个能够预测 ASJM 加工微通道完整向量化横截面轮廓的机器学习框架，超越了粗糙度或切削深度等标量指标。
2. 物理启发式特征工程： 研究结合了单调性感知训练方案，利用工程化特征（如 $P \times N, SOD \times V, P/V$）来编码已知的侵蚀率依赖关系，确保了公平的模型比较。
3. 概率逆向设计： 作者开发了一个具备约束意识的逆向框架，该框架可返回带有不确定性估计的可行参数组合，明确解决了逆向问题的非唯一性问题。
4. 实时适用性评估： 研究量化了推理延迟，证明深度学习代理模型可以在每轮次毫秒级的预算内运行，从而满足闭环过程控制的要求，这与传统的 CFD 模拟形成了对比。
5. 开源工具： 研究训练的模型和实验数据集以免费、基于浏览器的 Web 应用程序形式发布，使无需编程经验的操作员也能使用这些工具。

结果

• 正向预测： 所有模型都成功预测了深宽比在 0.06 至约 2 之间的微通道轮廓。ANN 达到了最高的精度（$R^2 = 0.817$, MAE = 0.00339 mm），紧随其后的是 1D-CNN（$R^2 = 0.807$）。传统模型（多项式回归和 RF）表现尚可（$R^2 \approx 0.76$），但在高深宽比特征上的表现较差。
• 数据集敏感性： 模型性能随数据集规模增加而提升，并在使用 75% 数据后趋于平稳。ANN 表现出最高的鲁棒性，即使在仅使用 25% 数据时仍能保持 0.7 的 $R^2$，而随机森林模型在相同条件下性能显著下降（$R^2 = 0.32$）。
• 噪声鲁棒性： 深度学习模型（ANN 和 CNN）对输入噪声表现出高度耐受性，在 10% 高斯噪声下，MAE 仅轻微增加（从 3.5 µm 增至 4.1 µm）。相比之下，多项式模型在类似噪声条件下会产生非物理数值。
• 逆向预测： 逆向 ANN 成功预测了目标几何形状对应的工艺参数。当仅使用深度和宽度作为输入时，模型在深度上的 $R^2$ 为 0.94，宽度为 0.55。当使用完整轮廓作为输入时，由于输入维度和冗余度，精度有所下降（$R^2 \approx 0.77$）。概率逆向方法成功识别了可行参数集，其深度中值绝对误差为 0.94 µm。
• 延迟： 在单个 CPU 上的推理时间从 0.22 ms（多项式）到约 100 ms（深度学习）不等，使其适用于实时控制；而随机森林模型每个样本需耗时约 10.9 秒，因此不适合实时应用。

意义
论文声称，这项工作弥合了经验测试与 ASJM 实时预测制造之间的鸿沟。通过将预测时间从数小时（CFD）缩短至微秒/毫秒级，所提出的机器学习代理模型消除了物理模型无法嵌入闭环控制器的计算障碍。该框架实现了根据所需几何形状进行“一次性”工艺参数设定，促进了自动化过程规划、数字孪生集成以及无需进行详尽实验设计即可快速验证新的材料-磨料组合。作者将此定位为一项开创性工作，旨在证明机器学习处理磨料喷射加工中复杂的、非线性材料去除模式的可行性，并将训练好的模型和工具公开，以加速该领域的应用普及。