[论文解读] Machine Learning for Materials Developments in Metals Additive Manufacturing

Nari Johnson, Praveen S. Vulimiri+5 more|arXiv (Cornell University)|May 11, 2020

Ion-surface interactions and analysis参考文献 13被引用 11

一句话总结

本文提出将机器学习（ML）整合到金属增材制造（AM）中，通过建模工艺-组织-性能-性能之间的复杂多维设计空间，加速材料开发。研究表明，经材料科学领域验证的成熟ML技术——经适当调整——可提升工艺优化、数据整理与实时监控水平，主要贡献在于ML工具整合、物理信息建模以及AM领域的数据标准化。

ABSTRACT

In metals additive manufacturing (AM), materials and components are concurrently made in a single process as layers of metal are fabricated on top of each other in the near-final topology required for the end-use product. Consequently, tens to hundreds of materials and part design degrees of freedom must be simultaneously controlled and understood; hence, metals AM is a highly interdisciplinary technology that requires synchronized consideration of physics, chemistry, materials science, physical metallurgy, computer science, electrical engineering, and mechanical engineering. The use of modern machine learning approaches to model these degrees of freedom can reduce the time and cost to elucidate the science of metals AM and to optimize the engineering of these complex, multidisciplinary processes. New machine learning techniques are not needed for most metals AM development; those used in other sects of materials science will also work for AM. Most prolifically, the density functional theory (DFT) community has used many of them since the early 2000s for evaluating numerous combinations of elements and crystal structures to discover new materials. This materials technologies-focused review introduces the basic mathematics and terminology of machine learning through the lens of metals AM, and then examines potential uses of machine learning to advance metals AM, highlighting the many parallels to previous efforts in materials science and manufacturing while also discussing new challenges and adaptations specific to metals AM.

研究动机与目标

• 解决金属增材制造（AM）中同时控制数十至数百种材料与设计参数的挑战，这使得传统物理基建模变得复杂。
• 通过数据驱动的机器学习克服当前集成计算材料工程（ICME）方法在AM中的局限性，以加速发现与优化。
• 通过将ML与现有ICME工具（包括工艺监控、拓扑优化和合金设计）整合，实现更快、更可靠的AM。
• 通过共享数据库与一致的数据整理，推动AM领域的数据民主化与标准化，借鉴材料科学中如Materials Project的成功经验。
• 通过开发融合第一性原理模拟与ML的物理信息驱动、数据驱动模型，推进混合制造，提升工艺控制与组织结构预测能力。

提出的方法

• 通过定义工艺参数、材料成分、零件几何形状与构建条件等维度，将AM建模为机器学习问题。
• 应用监督与无监督ML技术，利用实验与仿真数据建模PSPP（工艺-组织-性能-性能）关系。
• 采用特征工程与数据整理流水线，将复杂的AM数据（如热历史、熔池动力学、显微组织图像）转化为机器可读输入。
• 实施误差度量与模型验证策略，包括偏差-方差权衡分析，以确保ML模型的鲁棒性与泛化能力。
• 通过将物理基模拟与ML代理模型耦合，将ML整合到现有ICME框架中，实现对组织结构与力学性能的快速预测。
• 开发基于ML的原位监控系统，用于解析实时传感器数据（如高速成像、温度轨迹），实现在AM构建过程中的反馈控制。

实验结果

研究问题

• RQ1 在工艺、材料与几何变量相互作用的背景下，如何有效应用机器学习来建模金属增材制造的多维设计空间？
• RQ2 将异构AM数据（如图像、热历史、力学测试）转化为可用ML输入时，关键的数据整理与特征工程挑战是什么？
• RQ3 与纯数据驱动方法相比，物理信息驱动的机器学习模型如何提升AM工艺预测的准确性与可靠性？
• RQ4 标准化、共享的数据库在加速ML驱动的AM材料开发中发挥什么作用？需要何种基础设施支持？
• RQ5 基于ML的原位监控与反馈系统如何实现实时提升工艺控制与零件质量？

主要发现

• 材料科学领域已有的机器学习技术——例如来自密度泛函理论（DFT）社区的方法——可直接应用于金属AM，无需开发新算法。
• ML模型显著缩短了探索AM复杂高维设计空间的时间与成本，能够从实验与仿真数据中识别趋势与最优工艺参数。
• 嵌入已知热力学与动力学原理的物理信息ML模型，在预测AM零件的组织结构与力学行为方面，优于纯经验模型。
• 标准化的数据格式与共享数据库——以Materials Project与OQMD等项目为范例——对于实现数据共享、模型泛化与AM研究的可重复性至关重要。
• 对高速成像与热数据的原位ML分析，可实现实时工艺监控与反馈，有望减少缺陷并提升零件一致性。
• 将ML整合到AM的ICME框架中是可行且必要的，具有建立规模化、数据驱动、物理信息融合的材料工程新范式的潜力。