[論文レビュー] PATO: Producibility-Aware Topology Optimization using Deep Learning for Metal Additive Manufacturing

Naresh Iyer, Amir M. Mirzendehdel+6 more|arXiv (Cornell University)|Dec 8, 2021

Manufacturing Process and Optimization被引用数 6

ひとこと要約

PATOは、注意機構を備えたU-Netスレーブモデルを介して物理に基づくひび割れインデックス（MSSI）を統合することで、金属アディティブマニュファクチャリングにおける残留応力誘発ひび割れを予測する、ディープラーニング強化型トポロジーオプティマイゼーションフレームワークである。自動微分を用いてMSSI勾配を計算することで、PATOは、ひび割れのない高パフォーマンス部品のリアルタイム最適化を可能にし、実験的に欠陥のない印刷部品により検証された。

ABSTRACT

In this paper, we propose PATO-a producibility-aware topology optimization (TO) framework to help efficiently explore the design space of components fabricated using metal additive manufacturing (AM), while ensuring manufacturability with respect to cracking. Specifically, parts fabricated through Laser Powder Bed Fusion are prone to defects such as warpage or cracking due to high residual stress values generated from the steep thermal gradients produced during the build process. Maturing the design for such parts and planning their fabrication can span months to years, often involving multiple handoffs between design and manufacturing engineers. PATO is based on the a priori discovery of crack-free designs, so that the optimized part can be built defect-free at the outset. To ensure that the design is crack free during optimization, producibility is explicitly encoded within the standard formulation of TO, using a crack index. Multiple crack indices are explored and using experimental validation, maximum shear strain index (MSSI) is shown to be an accurate crack index. Simulating the build process is a coupled, multi-physics computation and incorporating it in the TO loop can be computationally prohibitive. We leverage the current advances in deep convolutional neural networks and present a high-fidelity surrogate model based on an Attention-based U-Net architecture to predict the MSSI values as a spatially varying field over the part's domain. Further, we employ automatic differentiation to directly compute the gradient of maximum MSSI with respect to the input design variables and augment it with the performance-based sensitivity field to optimize the design while considering the trade-off between weight, manufacturability, and functionality. We demonstrate the effectiveness of the proposed method through benchmark studies in 3D as well as experimental validation.

研究の動機と目的

• 残留応力に起因する後処理段階でのひび割れによって引き起こされる金属アディティブマニュファクチャリングにおける高い設計反復サイクルを解消すること。
• 製造可能性、特にひび割れ耐性をトポロジーオプティマイゼーションに直接統合するフレームワークを開発すること。
• ニッケル基超合金のLPBF-AMにおける実際の欠陥形成と相関する信頼性の高いひび割れインデックス（MSSI）を同定すること。
• フル熱シミュレーションを実行せずに空間的MSSI分布を予測可能な、高精度で高速なスレーブモデルを3DアテンションベースのU-Netを用いて構築すること。
• 自動微分を用いてMSSI感度を標準的なトポロジーオプティマイゼーションに統合し、性能と製造可能性のバランスを取ること。

提案手法

• 高精度なマルチフィジックスシミュレーションを用いて、LPBF-AMにおけるひび割れ発生の予測指標として、最大せん断ひずみインデックス（MSSI）というひび割れインデックスを定義する。
• フルビルドプロセスシミュレーションの代替として、MSSI分布のシミュレーションデータを用いて3DアテンションベースのU-Netディープラーニングニューラルネットワークを訓練する。
• スレーブモデルから得られる最大MSSIについて、設計変数（擬似密度）に関する勾配を自動微分を用いて計算する。
• 標準的な性能ベースの感度フィールドに加えて、MSSI感度フィールドを統合し、設計がひび割れのない配置に向けられるようにする。
• 拡張された感度フィールドを標準的なトポロジーオプティマイゼーションソルバー（Method of Moving Asymptotes）に統合し、性能と製造可能性の両方を最適化する。
• 3Dベンチマークスタディと最適化されたコラムの実験的プリントを通じて、フレームワークの検証を行う。

実験結果

リサーチクエスチョン

• RQ1 フル熱シミュレーションを実行せずに、金属AM部品における空間的に変化するMSSIフィールドをディープラーニングスレーブモデルが高精度に予測できるか？
• RQ2 MSSIは、ニッケル基超合金のLPBF-AMにおける残留応力誘発ひび割れに対して信頼性があり予測可能なひび割れインデックスとして適しているか？
• RQ3 MSSIスレーブモデルの自動微分により、トポロジーオプティマイゼーションに使用可能な高精度な勾配が得られるか？
• RQ4 MSSI感度をトポロジーオプティマイゼーションに統合することで、部品の性能とひび割れのない製造可能性のトレードオフにどのような影響を与えるか？
• RQ5 提案されたPATOフレームワークは、実世界の製造環境において実験的に検証されたひび割れのない印刷部品を生成できるか？

主な発見

• MSSIインデックスは実験的にひび割れの予測に信頼性があると検証され、他のひび割れインデックスよりも実際の欠陥形成を優れた精度で予測した。
• アテンションベースの3D U-Netスレーブモデルは、フル物理シミュレーションと比較して著しく計算コストを低減しつつ、MSSIフィールドの高精度な予測を達成した。
• PATOが生成した設計は、全体積分率において、従来のTOと比較して一貫して低い最大MSSI値を示し、ひび割れリスクの低減を示した。
• PATOによる最適化設計は、非製造可能性に配慮しないTOと比較して、より高い熱剛性を示した。これは、性能とひび割れのない製造可能性の間の明確なトレードオフが存在することを確認した。
• 実験的検証により、PATO最適化コラムは印刷後に完全にひび割れがなく、フレームワークが初期段階から欠陥のない部品を生成できることを実証した。