[논문 리뷰] PATO: Producibility-Aware Topology Optimization using Deep Learning for Metal Additive Manufacturing

Naresh Iyer, Amir M. Mirzendehdel외 6명|arXiv (Cornell University)|2021. 12. 08.

Manufacturing Process and Optimization인용 수 6

한 줄 요약

PATO는 메탈 적층 제조에서 잔류 응력에 의해 유도되는 균열을 예측하기 위해 주목적 기반 U-Net 서rogate 모델을 통해 물리 기반 균열 지수(MSSI)를 통합한 딥러닝 강화 토폴로지 최적화 프레임워크이다. 자동 미분을 사용하여 MSSI 기울기를 계산함으로써 PATO는 실시간 최적화를 가능하게 하여 균열 없는 고성능 부품을 제작하며, 실험적으로 결함이 없는 인쇄 부품을 통해 검증되었다.

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.

연구 동기 및 목표

• 잔류 응력으로 인한 후처리 균열로 인해 발생하는 메탈 적층 제조의 높은 설계 반복 주기 문제를 해결한다.
• 특히 균열 저항성과 같은 제조 가능성을 토폴로지 최적화에 직접 통합하는 프레임워크를 개발한다.
• 니켈 기반 니크롬 합금의 LPBF-AM에서 실제 결함 형성과 상관관계가 있는 신뢰할 수 있는 균열 지수(MSSI)를 규명한다.
• 전체 열역학 시뮬레이션을 실행하지 않고도 공간적으로 변화하는 MSSI 필드를 정확하게 예측할 수 있는 고정밀도, 고속의 서rogate 모델을 구축한다.
• 자동 미분를 통해 MSSI 민감도를 표준 토폴로지 최적화에 통합하여 성능과 제조 가능성 간의 균형을 이룬다.

제안 방법

• 고정밀 다물리 시뮬레이션을 사용하여 LPBF-AM에서 균열 발생을 예측하는 데 사용할 수 있는 균열 지수인 MSSI(최대 비틀림 변형률 지수)를 정의한다.
• 전체 빌드 공정 시뮬레이션 대비 빠른 대체 모델이 되기 위해, 시뮬레이션된 MSSI 필드를 기반으로 3D 주목적 기반 U-Net 딥러닝 신경망을 훈련시킨다.
• 서rogate 모델에서 설계 변수(가상 밀도)에 대한 최대 MSSI의 기울기를 자동 미분을 통해 계산한다.
• 표준 성능 기반 민감도 필드에 MSSI 민감도 필드를 추가하여 설계가 균열 없는 구성으로 유도되도록 한다.
• 증강된 민감도 필드를 표준 토폴로지 최적화 솔버(Method of Moving Asymptotes)에 통합하여 성능과 제조 가능성 모두를 최적화한다.
• 3D 벤치마크 연구와 최적화된 커포니의 실험적 인쇄를 통해 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 전체 열역학 시뮬레이션을 실행하지 않고도 딥러닝 서rogate 모델이 메탈 AM 부품의 공간적으로 변화하는 MSSI 필드를 정확하게 예측할 수 있는가?
• RQ2 MSSI는 Ni 기반 니크롬 합금의 LPBF-AM에서 잔류 응력에 의해 유도되는 균열에 대해 신뢰할 수 있고 예측 가능한 균열 지수인가?
• RQ3 MSSI 서rogate의 자동 미분를 통해 토폴로지 최적화에 사용할 수 있는 정확한 기울기를 제공할 수 있는가?
• RQ4 MSSI 민감도를 토폴로지 최적화에 통합할 경우 성능과 균열 없는 제조 가능성 간의 트레이드오프에 어떤 영향을 미치는가?
• RQ5 제안된 PATO 프레임워크는 실제 제조 환경에서 실험적으로 검증된 균열 없는 인쇄 부품을 생성할 수 있는가?

주요 결과

• MSSI 지수는 실험적으로 균열 예측에 신뢰할 수 있는 지표로 검증되었으며, 실제 결함 형성 예측에서 다른 균열 지수보다 뛰어난 성능을 보였다.
• 주목적 기반 3D U-Net 서rogate 모델은 전체 물리 시뮬레이션 대비 상당히 낮은 계산 비용으로도 고정밀도의 MSSI 필드 예측을 달성하였다.
• PATO가 생성한 설계는 모든 부피 분율에서 기존의 토폴로지 최적화 대비 최대 MSSI 값이 일관되게 낮게 나타나, 균열 위험 감소를 확인하였다.
• PATO 기반 최적화 설계는 제조 가능성 인식이 없는 토폴로지 최적화 대비 더 높은 열적 유동성(compliance)을 보였으며, 성능과 균열 없는 제조 가능성 간의 명백한 트레이드오프가 있음을 확인하였다.
• 실험적 검증을 통해 PATO 최적화 커포니는 인쇄 후 완전히 균열 없이 확인되었으며, 프레임워크가 최초 단계부터 결함 없는 부품을 제조할 수 있음을 검증하였다.