[論文レビュー] Hybrid thermal modeling of additive manufacturing processes using physics-informed neural networks for temperature prediction and parameter identification

Shuheng Liao, Tianju Xue+4 more|arXiv (Cornell University)|Jun 15, 2022

Thermography and Photoacoustic Techniques被引用数 4

ひとこと要約

本稿では、金属アディティブマニュファクチャリングにおけるハイブリッド熱モデリングフレームワークを、物理情報付きニューラルネットワーク（PINN）に基づいて提案する。この手法は赤外線温度測定値と熱伝達の物理法則を融合させ、全領域の温度履歴を予測するとともに、未知の材料・プロセスパラメータを同定する。数値的および実験的ケースの両方で高い精度を達成し、実世界のデータにおいてもRMSE誤差が50 K未満に抑えられ、リアルタイムプロセス制御および逆パラメータ同定の可能性を示している。

ABSTRACT

Understanding the thermal behavior of additive manufacturing (AM) processes is crucial for enhancing the quality control and enabling customized process design. Most purely physics-based computational models suffer from intensive computational costs and the need of calibrating unknown parameters, thus not suitable for online control and iterative design application. Data-driven models taking advantage of the latest developed computational tools can serve as a more efficient surrogate, but they are usually trained over a large amount of simulation data and often fail to effectively use small but high-quality experimental data. In this work, we developed a hybrid physics-based data-driven thermal modeling approach of AM processes using physics-informed neural networks. Specifically, partially observed temperature data measured from an infrared camera is combined with the physics laws to predict full-field temperature history and to discover unknown material and process parameters. In the numerical and experimental examples, the effectiveness of adding auxiliary training data and using the pretrained model on training efficiency and prediction accuracy, as well as the ability to identify unknown parameters with partially observed data, are demonstrated. The results show that the hybrid thermal model can effectively identify unknown parameters and capture the full-field temperature accurately, and thus it has the potential to be used in iterative process design and real-time process control of AM.

研究の動機と目的

• アディティブマニュファクチャリングにおける完全に物理ベースのモデルの高い計算コストとパラメータキャリブレーションの難しさに対処すること。
• 完全にデータ駆動のモデルのデータ集約性と一般化性能の限界を克服するため、疎で高品質な実験データと物理法則を統合すること。
• 金属AMプロセスにおける高速かつ高精度な全領域温度予測および逆パラメータ同定を可能にするサーヴィレートモデルの開発。
• 物理情報付きニューラルネットワークと実験的測定値を組み合わせることで、オンラインプロセス制御と反復的設計を実現すること。

提案手法

• 熱伝達の偏微分方程式（PDE）を記述する物理情報付きニューラルネットワーク（PINN）を、指向エネルギー堆積（DED）プロセスにおける熱的挙動を記述するために訓練する。
• PINNの損失関数には、PDEの残差と境界・初期条件が組み込まれており、物理的整合性が保証される。
• 赤外線（IR）カメラによる部分的な温度測定データが、損失関数内の教師ありデータポイントとして組み込まれ、モデルの方向性を導く。
• 収束性と精度の向上を図るため、有限要素法（FEM）シミュレーションから生成された補助的トレーニングデータが使用される。
• 事前学習されたPINNモデルを実験データでファインチューニングすることで、トレーニングの高速化と一般化性能の向上が図られる。
• 未知の熱的特性（例：レーザー吸収率、熱伝導率）をトレーナブルな変数として扱うことで、逆パラメータ同定が可能となる。

実験結果

リサーチクエスチョン

• RQ1 部分的に観測されたIR温度データのみを用いて、PINNベースのモデルが金属AMにおいて全領域の温度履歴を正確に予測できるか？
• RQ2 補助的なFEM生成データを組み込むことで、PINNモデルの収束性と精度にどのような影響を与えるか？
• RQ3 事前学習が、異なる材料またはプロセスパラメータを有する繰り返しシミュレーションにおけるPINNのトレーニングをどの程度高速化できるか？
• RQ4 ハイブリッドPINNモデルは、疎な実験的測定データから未知の材料およびプロセスパラメータを効果的に同定できるか？
• RQ5 合成的またはシミュレーテッドデータと比較して、実験的データにどの程度一般化できるか？

主な発見

• 数値的正問題において、FEMシミュレーション結果と比較してRMSEが14.07 Kに達し、サーヴィレートモデルとしての有効性が裏付けられた。
• 補助的なFEMデータを追加することで、同じ精度に到達するためのトレーニングエポック数が3分の2まで削減され、トレーニング効率が顕著に向上した。
• 事前学習により、目標精度に到達するためのエポック数が80%以上削減され、新しい材料やプロセス条件への迅速な適応が可能になった。
• 逆問題において、ノイズを含む合成IRデータを用いて、レーザー吸収率、比熱、熱伝導率を5%未満の誤差で同定できた。
• 実験ケースでは、測定されたIRデータと比較して、全領域温度予測のRMSEが47.28 Kに抑えられ、実際の実験データと物理法則を融合できる能力が実証された。
• ハイブリッドフレームワークは、実験データをPINNモデルに柔軟かつ任意に統合可能であり、AMにおける複雑な熱的挙動のモデリングに耐性のあるソリューションを提供する。