L’apprendimento automatico della rete neurale applicato ai processi di produzione additiva

Cina: applicazione dell’apprendimento automatico della rete neurale ai processi di produzione additiva
In ‘ L’applicazione di macchina Neural-Network-Based Learning to Fabbricazione Additiva: Applicazioni correnti, sfide, e le prospettive future ,’ autori Xinbo Qi, Guofeng Chen, Li Yong, Xuan Cheng, e Changpeng Li studiare come machine learning (ML) e la rete neurale algoritmi (NN) possono essere applicati alla produzione additiva.

Sebbene i numerosi vantaggi dei processi AM continuino a essere scoperti, avvalendosi oggi di innumerevoli settori, esistono ancora numerosi inconvenienti e scenari per i difetti che continuano a sfidare gli utenti di tutto il mondo, dalla microscopia anisotropa alla distorsione e altro ancora.

I prototipi potrebbero non sempre richiedere la perfezione come modelli semplici, tuttavia, le parti destinate a un vero utilizzo funzionale e industriale devono essere forti e prodotte senza pericolo per la loro integrità complessiva. Gli autori sottolineano l’importanza di comprendere quanto segue:
Parametri metallurgici della polvere
Processo di stampa 3D
microstruttura
Proprietà meccaniche delle parti AM
Nell’apprendimento automatico, l’algoritmo NN sta solo aumentando di popolarità per l’uso ed è attualmente in “rapido sviluppo”, spesso utilizzato in computer vision, riconoscimento vocale, elaborazione del linguaggio e veicoli a guida autonoma. È un tipo supervisionato di ML, che opera con dati etichettati e all’interno della produzione additiva sta dimostrando una buona idoneità per la “produzione agile” nell’industria.

“L’NN ha esercitato un profondo e ampio impatto su tutta l’innovazione della catena del valore nel settore industriale, dalla progettazione del prodotto, produzione e qualifica alla consegna, e si ritiene che l’impatto di NN sarà sempre più intenso”, affermano i ricercatori.

I tipi più comuni di NN sono:

Multistrato perceptron (MLP)
Rete neurale convoluzionale (CNN)
Rete neurale ricorrente (RNN)

Nel design per la produzione additiva, gli ingegneri creano un modello CAD che è stato poi applicato nel software analitico per la simulazione AM. Tuttavia, quando si confrontano i modelli con le stampe 3D effettive si riscontrano molte deviazioni, spesso a causa dello stress durante la produzione e della distorsione risultante. I ricercatori affermano che di solito eseguono una compensazione per una migliore precisione.
Sono stati creati sensori per l’hardware e il software e una varietà di sensori diversi può essere utilizzata anche per misurazioni in situ .

“Lo scopo di questo lavoro copre molte varianti di NN in vari scenari applicativi, tra cui: un MLP tradizionale per collegare il processo AM, le proprietà e le prestazioni; un N convoluzionale per il riconoscimento del pool di fusione AM; LSTM per la riproduzione dei risultati della simulazione ad elementi finiti; e l’autoencoder variazionale per l’aumento dei dati. Tuttavia, come si suol dire, “ogni moneta ha due lati”.

“È difficile controllare la qualità delle parti AM, mentre gli NN dipendono fortemente dalla raccolta dei dati. Pertanto, rimangono alcune sfide in quest’area interdisciplinare. Abbiamo proposto potenziali soluzioni corrispondenti a queste sfide e delineato i nostri pensieri sulle tendenze future in questo campo “, hanno concluso i ricercatori.