[論文レビュー] A Physics-Informed Machine Learning Model for Porosity Analysis in Laser Powder Bed Fusion Additive Manufacturing

Rui Liu, Sen Liu+1 more|arXiv (Cornell University)|Jan 13, 2021

Additive Manufacturing Materials and Processes参考文献 45被引用数 4

ひとこと要約

本稿では、レーザー粉末床溶融（LPBF）の機械固有パrameterに依存せず、物理的効果（例：レーザーエネルギー密度や放射圧）に翻訳する物理知覚機械学習（PIM）モデルを提案する。このモデルは、Inconel 718部品のConcept Laser M2システムにおける孔隙率（パス、フラグ、失敗）を予測し、6つの学習手法で10–26%の予測誤差を達成した。これは、孔隙率制御における一般化可能性と解釈可能性の向上を示している。

ABSTRACT

To control part quality, it is critical to analyze pore generation mechanisms, laying theoretical foundation for future porosity control. Current porosity analysis models use machine setting parameters, such as laser angle and part pose. However, these setting-based models are machine dependent, hence they often do not transfer to analysis of porosity for a different machine. To address the first problem, a physics-informed, data-driven model (PIM), which instead of directly using machine setting parameters to predict porosity levels of printed parts, it first interprets machine settings into physical effects, such as laser energy density and laser radiation pressure. Then, these physical, machine independent effects are used to predict porosity levels according to pass, flag, fail categories instead of focusing on quantitative pore size prediction. With six learning methods evaluation, PIM proved to achieve good performances with prediction error of 10$\sim$26%. Finally, pore-encouraging influence and pore-suppressing influence were analyzed for quality analysis.

研究の動機と目的

• レーザー粉末床溶融（LPBF）増加造造における、既存の孔隙率予測モデルの機械固有の制限を克服すること。
• 機械設定を、レーザーエネルギー密度や放射圧といった基礎的物理効果に解釈するデータ駆動型モデルを開発すること。
• 機械パラメータそのものではなく、物理的入力を用いて孔隙率レベルを予測することで、モデルの移植可能性を向上させること。
• 孔の生成を抑制または促進する物理的効果の範囲を同定し、実行可能なプロセス最適化を可能にすること。
• Concept Laser M2とProX DMP 320Aを含む、異なるLPBFシステム上でモデルの性能と一般化可能性を検証すること。

提案手法

• 物理的変換を用いて、機械固有の設定（例：レーザー出力、走査速度）を物理的効果（例：レーザーエネルギー密度、放射圧）にマッピングする。
• 物理的効果は最小-最大スケーリングで正規化され、解釈可能性のための実数値範囲が提供される。
• 3つのカテゴリ（パス、フラグ、失敗）の孔隙率結果を予測するために、6つの機械学習アルゴリズム（例：ランダムフォレスト、ガウス過程）を評価する。
• 定量的穴径予測ではなく、品質保証のしきい値に焦点を当てた分類フレームワークを採用する。
• 物理的効果と孔隙度指標（例：最大穴径）との相関マップを通じて、穴を促進する領域と抑制する領域を同定する。
• 物理的効果の同等性を活用して、Inconel 718部品をConcept Laser M2デュアルレーザーシステムで印刷した結果を、他の機械へ一般化する。

実験結果

リサーチクエスチョン

• RQ1 機械設定を物理的効果に翻訳することで、異なるLPBFシステム間での孔隙率予測モデルの一般化可能性が向上するか？
• RQ2 LPBFプロセスにおける孔の生成が抑制または促進される物理的効果の範囲は何か？
• RQ3 物理知覚機械学習モデルの性能は、従来の機械設定ベースのモデルと比較して、孔隙率分類においてどのように異なるか？
• RQ4 モデルが孔隙率を最小限に抑える解釈可能で実行可能なプロセスパrameter領域をどの程度特定できるか？
• RQ5 本モデルは、ProX DMP 320AやEOS M290など、異なるハードウェア構成を持つ他のLPBF機械へも拡張可能か？

主な発見

• 物理知覚機械学習モデルは、6つの学習手法で10%～26%の予測誤差を達成し、パス、フラグ、失敗の孔隙度レベル分類において優れた性能を示した。
• 本モデルは、孔の生成が主に低～平均的なレーザー出力強度（AVE < 0.58×10⁵ W/mm²）、高いエネルギー分散（SDEV > 0.4×10¹ W/mm²）、および広い最大-最小エネルギー範囲（MIN [0.6, 1.00]×10⁵ W/mm²を超過）に起因することを同定した。
• 最大穴径に対する典型的な孔抑制領域は、AVE[0.58×10⁵, 1.00×10⁵]、SDEV[0.00×10¹, 0.40×10¹]、MIN[0.60×10⁵, 1.00×10⁵]、MAX[0.60×10⁵, 1.00×10⁵] W/mm²と推定され、最適なエネルギー分布範囲を示している。
• 機械に依存しない物理的効果の使用により、本モデルはConcept Laser M/M3、EOS M270/280/290、ProX DMP 300/320など、他のLPBFシステムへの移植可能性が期待できる。
• 本手法は孔隙度メカニズムに関する解釈可能な物理的インサイトを提供し、孔の生成を抑制する特定の効果範囲を同定しており、逆方向のプロセスパラメータ設計を支援できる。
• 今後の研究では、追加の物理的効果（例：温度、吸収率）をモデルに統合し、ProX DMP 320AやEOS M290などの多様な機械で性能を検証することで、一般化可能性を確認する予定である。