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

金属制造长期以来一直依赖于能够极其精确地熔化和融合材料的能力，这一过程是逐层构建复杂零件的基础。在一种被称为定向能量沉积（directed energy deposition）的高级技术中，一束强力的激光束在向表面喷射金属粉末的同时将其熔化，从而创建一个微小的、发光的熔融金属池。这个熔融池的形状和大小决定了最终零件是坚固无瑕，还是布满了隐藏的裂纹和薄弱点。问题在于，这个熔融池最关键的部分——金属熔化的深度——发生在表面之下，肉眼不可见，且在机器运行时无法测量。几十年来，工程师们不得不停止机器，将零件切开，并在显微镜下进行检查，以查看工艺是否成功。这种缓慢且具有破坏性的方法让实时纠偏变得毫无可能。

史蒂文斯理工学院（Stevens Institute of Technology）的一个研究小组开发了一种全新的方式来“看见”不可见之物。他们创建了一个系统，利用人工智能来实时预测隐藏的熔融池深度，而该系统仅需利用可见表面的热模式和激光设置即可实现。通过先教计算机从大量的计算机模拟中学习，然后再利用少量的现实世界数据来完善其知识，他们构建了一个模型，该模型可以观察打印过程并立即告知操作员金属熔化的深度。这种方法弥合了理论物理学与工厂车间混乱现实之间的鸿沟，为制造出在制作过程中即可被监测和修正（而非在完成后才进行检查）的零件提供了一条路径。

该领域的核挑战在于，熔融池是一个转瞬即逝且混乱的过程。随着激光在金属上移动，它会创建一个不断变化的熔融池，热量向外辐射，金属以复杂的方式流动。虽然摄像头可以轻松看到表面熔融池的宽度，但深度在零件被破坏之前始终是一个谜。为了解决这个问题，研究人员采用了一种称为“迁移学习”（transfer learning）的方法。想象一名学生在踏入真正的实验室之前，先在安静的教室里多年研读物理教科书并解决数千道练习题。这名学生已经理解了世界的基本规则，因此当他最终面对真实的实验时，只需要花费很少的时间去学习特定实验装置的具体细节。研究人员将同样的逻辑应用到了他们的计算机模型中。

首先，他们使用基于物理学的计算机模拟生成了一个庞大的数据集。他们模拟了不锈钢在激光加热下的行为，创建了超过1,300种具有不同激光功率、速度和光斑尺寸的情景。在这个虚拟世界中，计算机准确知道每一个生成的熔融池的深度和宽度。他们利用这些模拟数据来训练一个复杂的神经网络，这是一种旨在识别模式的类型人工智能。该网络学会了将表面的热模式与隐藏的下方深度联系起来，从而建立了对所涉及物理现象的稳健理解。然而，研究人员知道，仅在完美的计算机模拟上训练的模型，在面对真实机器中的噪声、反射和缺陷时会表现挣扎。

为了弥合这一差距，他们采用了预训练模型，并使用一小组真实的实验数据对其进行微调。他们在真实的机器上进行了单道打印实验，捕捉了熔融池的高速红外图像。为了教会计算机真实熔融池的样子，他们必须将打印出的轨迹切开，并在显微镜下测量实际的深度和宽度。由于他们无法测量视频中的每一帧，因此使用了一种统计方法将这些测量值分配给图像，从而创建了一个包含约550张标记图像的训练集。当他们将这些真实数据输入模型时，网络调整了其内部设置，以应对模拟环境的纯净与真实世界嘈杂环境之间的差异。

结果表明，这种两步走的方法远优于仅使用有限现实数据从头开始训练模型。当研究人员在新的、未见过的打印任务上测试模型时，借助模拟辅助训练的系统产生的误差显著减少。对于预测熔融池宽度，模拟辅助模型的准确度约为7%，而仅用真实数据训练的模型误差接近30%。对于深度——这个更难预测的变量——差异更为显著。模拟辅助模型预测深度的误差约为22%，而没有模拟辅助的模型误差接近75%。在数据极其匮乏的最困难案例中，模拟训练的模型仍保持了高水平的准确性，而另一个模型则完全无法学习到正确的模式。

研究人员还发现，当系统结合两种信息时效果最好：熔融池的热图像和特定的激光设置。图像提供了热量的视觉形状，有助于确定宽度；而激光设置则提供了推测深度所需的能量背景。当他们在六个使用计算机从未见过的设置进行的真实打印任务中进行实时测试时，系统成功追踪了随着激光移动而变化的熔融池几何形状。它正确识别出了熔融池过浅的情况（这种情况通常会导致零件强度不足），而未经辅助的模型则一致地高估了深度，从而错过了这些缺陷。

这项工作证明，无需成千上万次昂贵且耗时的实验，就可以将物理模拟的力量引入现实世界的制造业。通过使用模拟来教授AI游戏规则，并利用真实数据来教授其针对特定机器的细微差别，研究人员创建了一个既准确又高效的工具。该系统不仅仅是在预测数字，它还提供了一种在制造过程中监控生产健康状况的方法，潜在地允许机器在运行中进行自我调整以防止缺陷。虽然这项技术仍在完善中，但研究证明，将计算机模型的清晰度与物理实验的现实性相结合，可以解决那些曾经被认为难以在实时环境下处理的问题。