Blog

Jun 25, 2023

Apprendimento attivo per la previsione delle proprietà di trazione per la produzione additiva per estrusione di materiali

Scientific Reports volume 13, numero articolo: 11460 (2023) Cita questo articolo 1114 Accessi Dettagli metriche Sono state utilizzate tecniche di apprendimento automatico per prevedere le proprietà di trazione del materiale

Rapporti scientifici volume 13, numero articolo: 11460 (2023) Citare questo articolo

1114 accessi

Dettagli sulle metriche

Sono state utilizzate tecniche di apprendimento automatico per prevedere le proprietà di trazione delle parti prodotte in modo additivo basate sull'estrusione di materiali realizzate con Technomelt PA 6910, un adesivo hot melt. Per consentire la previsione con dati di addestramento limitati è stata impiegata una tecnica di generazione dati adattiva, in particolare un processo di apprendimento attivo basato sull'algoritmo di regressione del processo gaussiano. Dopo tre cicli di raccolta dati, i modelli di apprendimento automatico basati sulla regressione lineare, sulla regressione della cresta, sulla regressione del processo gaussiano e sui vicini K-vicini sono stati incaricati di prevedere le proprietà per il set di dati di test, che consisteva in parti fabbricate con cinque parametri di elaborazione scelti utilizzando un metodo casuale. generatore di numeri. Nel complesso, la regressione lineare e la regressione della cresta hanno previsto con successo i parametri di output, con un errore <10% per il 56% delle previsioni. I vicini K più vicini hanno ottenuto risultati peggiori della regressione lineare e della regressione della cresta, con un errore <10% per il 32% delle previsioni e un errore del 10-20% per il 60% delle previsioni. Sebbene la regressione del processo gaussiano sia stata eseguita con la precisione più bassa (errore <10% per il 32% dei casi di previsione e errore del 10-20% per il 40% delle previsioni), ha beneficiato maggiormente della tecnica di generazione dei dati adattiva. Questo lavoro dimostra che i modelli di apprendimento automatico che utilizzano tecniche di generazione di dati adattivi possono prevedere in modo efficiente le proprietà di strutture prodotte in modo additivo con dati di addestramento limitati.

La produzione additiva (AM) è una tecnica di lavorazione in cui gli oggetti vengono fabbricati strato per strato. La fabbricazione di filamenti fusi (FFF) è il processo AM più comune basato sull'estrusione di materiali (MatEx), in cui il filamento polimerico viene riscaldato fino alla fusione, estruso attraverso un ugello e depositato su una superficie di costruzione per formare parti tridimensionali. Per controllare la qualità della parte finale, è necessaria una comprensione dettagliata del processo FFF, dalla stampabilità dei materiali di partenza alle relazioni processo-struttura-proprietà delle parti stampate. Tuttavia, la qualità della parte finale dipende da molti parametri di processo, complicando gli sforzi verso il controllo di qualità.

I modelli basati sulla fisica possono fornire importanti spunti per comprendere MatEx. Questi modelli si basano sulla fisica rilevante e stabiliscono ipotesi e condizioni al contorno per riflettere fedelmente il processo originale. Le ampie gamme di modelli possono essere suddivise in categorie distinte. Comprendere il trasferimento di calore e la distribuzione termica durante la stampa è importante poiché sono fondamentali per l'adesione degli strati intermedi nelle parti stampate. Sono stati riportati modelli di trasferimento termico a volume finito1, analisi agli elementi finiti (FEA)2,3, differenze finite3 e numerici4 in MatEx. È stata modellata anche la reologia della fusione, sia all'interno dell'estremità calda che dell'estruso5,6,7. Sono stati inoltre creati modelli per la determinazione delle proprietà meccaniche finali8,9. I modelli basati sulla fisica non richiedono grandi set di dati sperimentali e possono avere un’elevata precisione perché tengono conto della fisica rilevante. Tuttavia, sono spesso limitati dalla loro complessità computazionale, che non solo richiede molto tempo ma richiede anche una conoscenza approfondita dei comportamenti multiscala e multifisici del processo AM10. Di conseguenza, i modelli sono limitati solo ad alcuni aspetti dell’intero processo.

Nei modelli di machine learning (ML) basati sui dati, una macchina o un sistema estrae modelli sottostanti da osservazioni esistenti o dati sperimentali per fare previsioni riguardanti nuove osservazioni senza la necessità di una programmazione esplicita. I modelli ML possono essere meno intensivi dal punto di vista computazionale rispetto ai modelli basati sulla fisica quando l'output desiderato è la previsione di proprietà basate su uno spazio di progettazione multidimensionale, come quello tipico di MatEx. Numerosi articoli di revisione forniscono panoramiche complete dello stato attuale delle applicazioni ML in MatEx10,11,12. Le reti neurali artificiali (ANN) sono il metodo più diffuso per l'ottimizzazione dei processi AM10. L'ANN è più efficiente dal punto di vista computazionale della FEA nello studio del ruolo dei parametri di riempimento sulle proprietà meccaniche come la resistenza alla trazione13 e il rapporto resistenza/peso14. Diversi studi si sono concentrati sulla previsione delle proprietà meccaniche su macroscala come la resistenza alla trazione15, il modulo dinamico di elasticità16, lo stress di compressione17 e le caratteristiche di scorrimento viscoso18 utilizzando modelli di percettrone multistrato (MLP) basati su ANN. I modelli ML per l'ottimizzazione della precisione dimensionale19 e della rugosità superficiale20 in base ai parametri del processo di input sono stati creati rispettivamente con un modello basato su ANN e un modello di insieme.