[論文レビュー] Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks

Pouyan Sajadi, Mostafa Rahmani Dehaghani+2 more|arXiv (Cornell University)|Jan 4, 2024

Additive Manufacturing Materials and Processes被引用数 4

ひとこと要約

本論文は、金属添加製造におけるリアルタイム2次元温度場予測を可能にする、ConvLSTMアーキテクチャを用いた物理情報付きニューラルネットワーク（PINN）フレームワークを提案する。物理的制約を損失関数に統合し、リアルタイムのプロセスデータを活用することで、多様な形状とプロセスパラメータにおいて予測誤差が3%未満に抑えられ、高速で正確かつ一般化可能なオンラインプロセス制御が実現される。

ABSTRACT

Accurately predicting the temperature field in metal additive manufacturing (AM) processes is critical to preventing overheating, adjusting process parameters, and ensuring process stability. While physics-based computational models offer precision, they are often time-consuming and unsuitable for real-time predictions and online control in iterative design scenarios. Conversely, machine learning models rely heavily on high-quality datasets, which can be costly and challenging to obtain within the metal AM domain. Our work addresses this by introducing a physics-informed neural network framework specifically designed for temperature field prediction in metal AM. This framework incorporates a physics-informed input, physics-informed loss function, and a Convolutional Long Short-Term Memory (ConvLSTM) architecture. Utilizing real-time temperature data from the process, our model predicts 2D temperature fields for future timestamps across diverse geometries, deposition patterns, and process parameters. We validate the proposed framework in two scenarios: full-field temperature prediction for a thin wall and 2D temperature field prediction for cylinder and cubic parts, demonstrating errors below 3% and 1%, respectively. Our proposed framework exhibits the flexibility to be applied across diverse scenarios with varying process parameters, geometries, and deposition patterns.

研究の動機と目的

• 金属添加製造におけるリアルタイム温度予測のための、遅く計算コストの高い物理ベースのシミュレーションの課題に対処すること。
• 金属AMにおける高品質な実験データセットの不足と高コストを解消するため、学習プロセスに物理法則を統合すること。
• 異なる部品形状、積層パターン、プロセスパラメータに対応できる柔軟で一般化可能なフレームワークの開発。
• リアルタイムの温度場予測を提供することで、高速で正確かつ物理的に整合性のある温度場予測を実現し、オンラインプロセスモニタリングと制御を可能にすること。

提案手法

• 本フレームワークは、温度場の空間的・時間的依存関係をモデル化するため、ConvLSTMニューラルネットワークアーキテクチャを採用する。
• 物理情報付き入力層が、幾何的およびプロセスパラメータ（例：レーザ出力、スキャン速度）を符号化し、ネットワークの物理的文脈理解を支援する。
• 物理情報付き損失関数が、学習中に熱伝導偏微分方程式（PDE）をソフト制約として強制し、物理的一致性を確保する。
• 本モデルは、イン・サイトセンサーからのリアルタイム温度測定値を用いて学習され、実際のプロセスダイナミクスに応じたデータ駆動型適応が可能になる。
• 損失関数は、データ適合性項とPDE残差最小化を組み合わせることで、実証的精度と物理的妥当性のバランスを取る。
• 本フレームワークは、薄い壁、シリンダー、立方体など多様な部品形状について、異なる積層戦略とプロセスパラメータ条件下で検証された。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きニューラルネットワークは、多様な形状にわたる一般化性能を備えた高精度なリアルタイム2次元温度場予測を金属添加製造で達成できるか？
• RQ2 損失関数に物理的PDE制約を組み込むことで、純粋にデータ駆動のモデルと比較して、予測精度とロバスト性がどのように向上するか？
• RQ3 再トレーニングなしで、未学習のプロセスパラメータや積層パターンにどの程度一般化できるか？
• RQ4 リアルタイムセンサーデータの統合は、モデルの予測性能と物理的一致性をどのように向上させるか？

主な発見

• 薄い壁部品において、変動するプロセスパラメータ下で、全領域温度予測の平均絶対誤差が3%未満に抑えられた。
• シリンダ型および立方体型部品において、予測誤差は1%未満に保たれ、複雑な形状に対しても高い精度を示した。
• 物理情報付き損失関数により一般化性能が顕著に向上し、未学習の積層パターンやプロセス条件に対しても正確な予測が可能になった。
• ConvLSTMアーキテクチャは、レイヤーワイズ積層過程における熱の蓄積と散逸の空間的・時間的ダイナミクスを効果的に捉えた。
• フレームワークはリアルタイム推論を可能とし、産業用AMシステムにおけるオンラインプロセスモニタリングおよび適応制御に適している。
• 多様な形状にわたり高い性能を維持しており、ファインチューニングなしで強力な一般化能力を示している。