[논문 리뷰] Hybrid thermal modeling of additive manufacturing processes using physics-informed neural networks for temperature prediction and parameter identification

Shuheng Liao, Tianju Xue외 4명|arXiv (Cornell University)|2022. 06. 15.

Thermography and Photoacoustic Techniques인용 수 4

한 줄 요약

이 논문은 금속 적층 제조에서 열전달 물리 법칙과 적외선 온도 측정값을 융합하여 전체 영역의 온도 역사를 예측하고 알 수 없는 재료/공정 파라미터를 특정하는 데 기반한 물리 기반 신경망(PINN) 기반 하이브리드 열모델링 프레임워크를 제안한다. 이 방법은 수치적 및 실험적 사례 모두에서 높은 정확도를 달성하였으며, 실제 데이터에서 RMSE 오차가 50 K 이하로 나타나 실시간 공정 제어 및 역파rameter 식별 잠재력을 입증한다.

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.

연구 동기 및 목표

• 적층 제조에서 순수 물리 기반 모델의 높은 계산 비용과 파라미터 캘리브레이션 과제를 해결하기 위해.
• 순수 데이터 기반 모델의 데이터 집약성과 일반화 능력의 한계를 극복하기 위해 희소하고 고품질의 실험 데이터와 물리 법칙을 통합하기 위해.
• 금속 AM 공정에서 빠르고 정확한 전체 영역 온도 예측 및 역파라미터 식별을 가능하게 하는 서rogate 모델을 개발하기 위해.
• 물리 기반 신경망과 실험 측정값을 융합하여 온라인 공정 제어와 반복적 설계를 가능하게 하기 위해.

제안 방법

• 지정 에너지 증착(DED) 공정에서 열적 거동를 지배하는 열전달 편미분방정식(PDE)을 해결하기 위해 물리 기반 신경망(PINN)을 훈련한다.
• PINN 손실 함수는 PDE 잔여항과 경계/초기 조건을 모두 포함하여 물리적 일관성을 확보한다.
• 부분적으로 관측된 적외선(IR) 카메라 측정값에서 유래한 온도 데이터는 손실 함수 내에서 지도 학습 데이터 포인트로 통합된다.
• 수렴성과 정확도 향상을 위해 유한요소법(FEM) 시뮬레이션에서 유도된 보조 훈련 데이터를 사용한다.
• 사전 훈련된 PINN 모델을 실험 데이터를 활용해 미세조정함으로써 훈련 속도를 가속화하고 일반화 능력을 향상시킨다.
• 알 수 없는 열적 성질(예: 레이저 흡수율, 열전도도)을 훈련 가능한 변수로 간주함으로써 역파라미터 식별이 가능하도록 프레임워크를 설계한다.

실험 결과

연구 질문

• RQ1 부분적으로 관측된 IR 온도 데이터만을 사용하여 PINN 기반 모델이 금속 AM에서 전체 영역의 온도 역사를 정확하게 예측할 수 있는가?
• RQ2 보조 FEM 생성 데이터를 통합할 경우 PINN 모델의 수렴성과 정확도에 어떤 영향을 미치는가?
• RQ3 사전 훈련이 다양한 재료 또는 공정 조건을 가진 반복적 시뮬레이션에 대한 PINN 훈련을 얼마나 빠르게 가속화하는가?
• RQ4 하이브리드 PINN 모델이 희소한 실험 측정값으로부터 알 수 없는 재료 및 공정 파라미터를 효과적으로 식별할 수 있는가?
• RQ5 합성 또는 시뮬레이션 데이터에 비해 실제 실험 데이터에 대해 이 프레임워크는 얼마나 잘 일반화되는가?

주요 결과

• 수치적 정방 문제에서 PINN 모델은 FEM 시뮬레이션 결과와 비교해 RMSE 14.07 K를 기록하여 서rogate 모델로서의 효과성을 입증하였다.
• 보조 FEM 데이터를 추가함으로써 동일한 정확도에 도달하기 위한 훈련 에포크 수가 2/3 감소하여 훈련 효율성이 크게 향상되었다.
• 사전 훈련 덕분에 목표 정확도에 도달하기 위한 에포크 수가 80% 이상 감소하여 새로운 재료 또는 공정 조건에 대한 빠른 적응이 가능해졌다.
• 역문제 상황에서 모델은 합성 노이즈가 포함된 IR 데이터를 사용해 레이저 흡수율, 비열, 열전도도를 5% 이내 오차로 정확히 식별하였다.
• 실험 사례에서 모델은 측정된 IR 데이터와 비교해 전체 영역 온도 예측의 RMSE가 47.28 K로 나타나 실제 실험 데이터와 물리 법칙을 융합할 수 있음을 입증하였다.
• 하이브리드 프레임워크는 실험 데이터를 PINN 모델에 민첩하고 임의로 융합할 수 있도록 하여, AM에서의 복잡한 열적 거동을 모델링하는 데 강력한 솔루션을 제공한다.