[논문 리뷰] 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)|2023. 09. 13.

Additive Manufacturing and 3D Printing Technologies인용 수 4

한 줄 요약

이 연구는 알루미늄 합금의 적층 마찰용접(AFSD)에서 피크 온도 분포를 예측하기 위해 지도 학습(SML)과 물리 기반 신경망(PINNs)을 융합한 하이브리드 기계학습 프레임워크를 제안한다. 열전달, 파동, 운반, 양자역학 방정식 기반의 네 가지 PINNs와 여덟 가지 SML 회귀 알고리즘을 사용하여 기울기 부스팅이 가장 낮은 평균 제곱 오차(MSE = 165.78)를 기록했고, 로지스틱 회귀는 정확한 침착 품질 분류를 가능하게 하여 데이터 기반 및 물리 기반 모델링의 융합이 AFSD의 열처리 제어에 강력한 잠재력을 지닌다는 것을 입증한다.

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.

연구 동기 및 목표

• 적층 마찰용접(AFSD)에서 공정 매개변수, 열 프로파일, 미세구조 간 상관관계에 대한 이해 부족을 해결하기 위해.
• 데이터 기반 및 물리 기반 기계학습 접근법을 모두 활용하여 피크 온도 분포를 예측하는 모델을 개발하기 위해.
• 정밀한 열 관리를 가능하게 하여 AFSD 공정 매개변수를 최적화함으로써 미세구조적 특성을 향상시키기 위해.
• 공정 요소를 기반으로 한 기계학습을 통해 침착 품질을 분류하여 공정 검증을 위한 목적으로.

제안 방법

• 공정 매개변수를 입력으로 사용하여 피크 온도 분포를 모델링하기 위해 여덟 가지 지도 학습 회귀 알고리즘을 활용하였다.
• 열전달, 파동 전파, 운반, 양자역학에서 유도된 제어 방정식을 기반으로 네 가지 물리 기반 신경망(PINNs)을 개발하였다.
• 실험 또는 시뮬레이션 데이터를 기반으로 SML 모델을 훈련하여 온도 분포를 예측하였으며, 최적 성능을 위해 초모수 조정을 실시하였다.
• PINNs를 통합하여 물리 법칙을 신경망 손실 함수에 통합함으로써 열역학적으로 일관된 예측을 보장하였다.
• 기울기 부스팅과 같은 앙상블 기법을 사용하여 SML 모델의 강인성과 일반화 능력을 향상시켰다.
• 공정 매개변수를 기반으로 한 침착 품질 분류를 위해 로지스틱 회귀를 적용하였다.

실험 결과

연구 질문

• RQ1 공정 매개변수를 입력으로 사용할 때, 지도 학습이 알루미늄 합금의 AFSD에서 피크 온도 분포를 얼마나 정확하게 예측할 수 있는가?
• RQ2 다양한 SML 알고리즘이 AFSD의 열 프로파일 예측에서 상대적으로 어떤 성능을 보이는가?
• RQ3 물리 기반 신경망은 AFSD 열 모델링에서 정확도와 물리적 일관성 향상에 얼마나 기여하는가?
• RQ4 기계학습 모델은 공정 매개변수를 기반으로 침착 품질을 효과적으로 분류할 수 있는가?
• RQ5 데이터 기반 및 물리 기반 모델링의 융합은 AFSD의 공정-구조-성질 상관관계 이해를 어떻게 향상시키는가?

주요 결과

• 기울기 부스팅은 모든 SML 회귀 알고리즘 중에서 가장 낮은 평균 제곱 오차(MSE = 165.78)를 기록하여 뛰어난 예측 성능을 입증하였다.
• 물리 기반 신경망(PINN) 접근법은 학습 과정에 기본 물리 법칙을 성공적으로 통합하여 모델 신뢰도를 향상시켰다.
• 기울기 부스팅과 같은 앙상블 방법은 개별 모델 대비 피크 온도 분포 예측에서 더 높은 강인성과 정확도를 보였다.
• 로지스틱 회귀는 공정 요소에서 침착 품질을 분류하는 신뢰할 수 있는 방법을 제공하여 공정 모니터링 및 제어를 지원하였다.
• 통합된 SML 및 PINN 프레임워크는 AFSD에서 열 관리를 통한 미세구조 조절에 대한 종합적인 통찰을 제공하였다.
• 이중적 접근법은 데이터 기반 학습과 제1원리 물리학을 효과적으로 융합하여 적층 제조 분야에서 해석 가능성과 예측 정확도를 향상시켰다.