[論文レビュー] Supervised Machine Learning and Physics based Machine Learning approach for prediction of peak temperature distribution in Additive Friction Stir Deposition of Aluminium Alloy

Akshansh Mishra|arXiv (Cornell University)|Sep 13, 2023

Additive Manufacturing and 3D Printing Technologies被引用数 4

ひとこと要約

本研究では、アルミ合金の添加摩擦攪拌堆積（AFSD）におけるピーク温度分布を予測するために、教師あり機械学習（SML）と物理情報付きニューラルネットワーク（PINNs）を統合したハイブリッド機械学習フレームワークを提案する。8つのSML回帰アルゴリズムと、熱伝導、波動、輸送、量子力学の式に基づく4つのPINNsを用い、勾配ブースティングが最小の平均二乗誤差（MSE = 165.78）を達成した。一方、ロジスティック回帰は正確な堆積品質分類を可能にし、データ駆動型と物理ベースのモデリングの統合がAFSDにおける熱プロセス制御に大きな効果をもたらすことを示した。

ABSTRACT

Additive friction stir deposition (AFSD) is a novel solid-state additive manufacturing technique that circumvents issues of porosity, cracking, and properties anisotropy that plague traditional powder bed fusion and directed energy deposition approaches. However, correlations between process parameters, thermal profiles, and resulting microstructure in AFSD remain poorly understood. This hinders process optimization for properties. This work employs a framework combining supervised machine learning (SML) and physics-informed neural networks (PINNs) to predict peak temperature distribution in AFSD from process parameters. Eight regression algorithms were implemented for SML modeling, while four PINNs leveraged governing equations for transport, wave propagation, heat transfer, and quantum mechanics. Across multiple statistical measures, ensemble techniques like gradient boosting proved superior for SML, with lowest MSE of 165.78. The integrated ML approach was also applied to classify deposition quality from process factors, with logistic regression delivering robust accuracy. By fusing data-driven learning and fundamental physics, this dual methodology provides comprehensive insights into tailoring microstructure through thermal management in AFSD. The work demonstrates the power of bridging statistical and physics-based modeling for elucidating AM process-property relationships.

研究の動機と目的

• 添加摩擦攪拌堆積（AFSD）におけるプロセスパラメータ、熱的プロファイル、微細組織の間の相関関係の理解不足に対処すること。
• データ駆動型および物理情報付き機械学習アプローチを用いて、ピーク温度分布を予測するモデルを開発すること。
• 正確な熱管理を可能にすることで、微細組織特性の向上を図るためのAFSDプロセスパラメータを最適化すること。
• プロセス要因に基づいて堆積品質を分類するための機械学習を用いたプロセス検証を実施すること。

提案手法

• プロセスパラメータを入力として、ピーク温度分布をモデル化するために8つの教師あり機械学習回帰アルゴリズムを採用した。
• 熱伝導、波動伝搬、輸送、量子力学の支配方程式を用いて、4つの物理情報付きニューラルネットワーク（PINNs）を開発した。
• 実験またはシミュレーションデータに基づいてSMLモデルを訓練し、最適な性能を得るためのハイパーパrameterチューニングを実施した。
• PINNsを統合して、物理法則をニューラルネットワークの損失関数に組み込み、熱力学的に整合性のある予測を保証した。
• 勾配ブースティングなどのアンサンブル手法を用いて、SMLモデルの頑健性と一般化性能を向上させた。
• プロセスパラメータに基づいて堆積品質を分類するためにロジスティック回帰を適用した。

実験結果

リサーチクエスチョン

• RQ1 プロセスパラメータを入力として、教師あり機械学習がアルミ合金のAFSDにおけるピーク温度分布をどの程度正確に予測できるか？
• RQ2 異なるSMLアルゴリズムの、AFSDにおける熱的プロファイル予測性能は、相対的にどの程度異なるか？
• RQ3 物理情報付きニューラルネットワーク（PINNs）は、AFSD熱モデリングにおける予測精度と物理的整合性をどの程度向上させるか？
• RQ4 機械学習モデルは、プロセスパラメータに基づいて堆積品質を効果的に分類できるか？
• RQ5 データ駆動型と物理ベースのモデリングの統合は、AFSDにおけるプロセス-構造-特性関係の理解をどの程度向上させるか？

主な発見

• 勾配ブースティングは、すべてのSML回帰アルゴリズムの中で最小の平均二乗誤差（MSE = 165.78）を達成し、優れた予測性能を示した。
• 物理情報付きニューラルネットワーク（PINN）アプローチは、学習プロセスに基本的な物理法則を効果的に組み込み、モデルの信頼性を向上させた。
• アンサンブル手法（勾配ブースティングなど）は、個々のモデルと比較して、ピーク温度場の予測においてより高い頑健性と正確性を示した。
• ロジスティック回帰は、プロセス要因からの堆積品質分類に信頼性の高い手法を提供し、プロセスの監視と制御を支援した。
• 統合されたSMLおよびPINNフレームワークは、AFSDにおける熱管理を活用した微細組織の設計に関する包括的な知見を提供した。
• 二重アプローチは、データ駆動型学習と第一原理物理学の有効な橋渡しを果たし、Additive Manufacturing分野における解釈可能性と予測精度を向上させた。