[논문 리뷰] Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks

Pouyan Sajadi, Mostafa Rahmani Dehaghani외 2명|arXiv (Cornell University)|2024. 01. 04.

Additive Manufacturing Materials and Processes인용 수 4

한 줄 요약

이 논문은 금속 적층 제조에서 실시간 2D 온도장 예측을 가능하게 하기 위해 ConvLSTM 아키텍처를 사용하는 물리 기반 신경망(PINN) 프레임워크를 제안한다. 손실 함수에 물리 기반 제약 조건을 통합하고 실시간 공정 데이터를 활용함으로써, 다양한 기하학적 형상과 공정 조건에서 온도 예측 오차가 3% 미만으로 달성되며, 이는 빠르고 정확하며 일반화 능력이 뛰어난 온라인 공정 제어를 가능하게 한다.

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.

연구 동기 및 목표

• 금속 적층 제조에서 실시간 온도 예측을 위한 느리고 계산 비용이 큰 물리 기반 시뮬레이션의 과제를 해결하기 위해.
• 금속 AM에서 고품질 실험 데이터셋의 부족과 높은 비용 문제를 해결하기 위해 물리 법칙을 학습 과정에 통합함으로써.
• 다양한 부품 기하학적 형상, 증착 패턴, 공정 조건에 걸쳐 온도장을 예측할 수 있는 유연하고 일반화 능력이 뛰어난 프레임워크를 개발하기 위해.
• 실시간 예측 성능과 물리적 일관성을 확보함으로써 빠르고 정확하며 물리적으로 타당한 온도장 예측을 제공함으로써 온라인 공정 모니터링 및 제어를 가능하게 하기 위해.

제안 방법

• 모델은 온도장의 시공간적 의존성을 모델링하기 위해 ConvLSTM 신경망 아키텍처를 사용한다.
• 물리 기반 입력 레이어는 기하학적 형상 및 공정 조건(예: 레이저 출력, 스캔 속도 등)을 인코딩하여 네트워크가 물리적 맥락을 이해하도록 유도한다.
• 물리 기반 손실 함수는 학습 중에 열전달 편미분방정식(PDE)을 부드러운 제약 조건으로 적용하여 물리적 일관성을 보장한다.
• 모델은 현장 센서로부터의 실시간 온도 측정치를 기반으로 훈련되어 실제 공정 동역학에 대한 데이터 기반 적응이 가능하다.
• 손실 함수는 데이터 적합성 항과 PDE 잔차 최소화 항을 조합하여 경험적 정확성과 물리적 타당성의 균형을 확보한다.
• 프레임워크는 얇은 벽, 실린더, 큐브 등 다양한 부품 기하학적 형상에 대해 다양한 증착 전략과 공정 조건 하에서 검증되었다.

실험 결과

연구 질문

• RQ1 물리 기반 신경망이 다양한 기하학적 형상에 걸쳐 고정밀도와 뛰어난 일반화 능력을 갖춘 실시간 2D 온도장 예측을 달성할 수 있는가?
• RQ2 손실 함수에 물리적 PDE 제약 조건을 통합함으로써 순수 데이터 기반 모델에 비해 예측 정확도와 강건성이 어떻게 향상되는가?
• RQ3 재학습 없이도 모델이 새로운 공정 조건과 증착 패턴에 얼마나 잘 일반화되는가?
• RQ4 실시간 센서 데이터 통합이 모델의 예측 성능과 물리적 일관성에 어떻게 기여하는가?

주요 결과

• 다양한 공정 조건에서 얇은 벽 형상 부품에 대해 전체 영역 온도 예측의 평균 절대 오차가 3% 이하로 달성되었다.
• 실린더 및 큐브 형상 부품에 대해서는 오차가 1% 이하로 유지되어 복잡한 기하학적 형상에서도 높은 정확도를 입증하였다.
• 물리 기반 손실 함수는 일반화 능력을 크게 향상시켜, 새로운 증착 패턴과 공정 조건에서도 정확한 예측이 가능하게 하였다.
• ConvLSTM 아키텍처는 층별 증착 과정에서의 열 축적 및 산산이 흩어지는 동역학을 효과적으로 포착하였다.
• 프레임워크는 실시간 추론이 가능하여 산업적 AM 시스템에서의 온라인 공정 모니터링 및 적응형 제어에 적합하다.
• 모델은 다양한 기하학적 형상에서 높은 성능을 유지하며, 미세조정 없이도 강력한 일반화 능력을 보였다.