[论文解读] Physics-Informed Bayesian Learning of Electrohydrodynamic Polymer Jet Printing Dynamics

Athanasios Oikonomou, Θεόδωρος Λούτας+5 more|arXiv (Cornell University)|Apr 16, 2022

Electrohydrodynamics and Fluid Dynamics被引用 4

一句话总结

本文提出GPJet，一种物理信息贝叶斯学习框架，通过整合机器视觉、物理建模与机器学习，实现了电液致聚合物喷射打印的实时、自校准。该框架通过融合视频提取特征与物理定律，在极少实验数据下实现对喷射动力学的精确预测，展示了闭环、数据高效的复杂增材制造工艺优化方法。

ABSTRACT

Calibration of highly dynamic multi-physics manufacturing processes such as electro-hydrodynamics-based additive manufacturing (AM) technologies (E-jet printing) is still performed by labor-intensive trial-and-error practices. These practices have hindered the broad adoption of these technologies, demanding a new paradigm of self-calibrating E-jet printing machines. To address this need, we developed GPJet, an end-to-end physics-informed Bayesian learning framework, and tested it on a virtual E-jet printing machine with in-process jet monitoring capabilities. GPJet consists of three modules: a) the Machine Vision module, b) the Physics-Based Modeling Module, and c) the Machine Learning (ML) module. We demonstrate that the Machine Vision module can extract high-fidelity jet features in real-time from video data using an automated parallelized computer vision workflow. In addition, we show that the Machine Vision module, combined with the Physics-based modeling module, can act as closed-loop sensory feedback to the Machine Learning module of high- and low-fidelity data. Powered by our data-centric approach, we demonstrate that the online ML planner can actively learn the jet process dynamics using video and physics with minimum experimental cost. GPJet brings us one step closer to realizing the vision of intelligent AM machines that can efficiently search complex process-structure-property landscapes and create optimized material solutions for a wide range of applications at a fraction of the cost and speed.

研究动机与目标

• 为解决电液致（E-jet）增材制造中缺乏自动化、高效校准的问题，当前方法依赖耗时的试错法。
• 开发端到端框架，通过整合传感反馈与物理及数据驱动模型，实现实时、自校准的E-jet打印控制。
• 通过利用高保真视频数据与物理信息机器学习，降低多物理场增材制造的实验成本，加速工艺优化。
• 使智能增材制造设备能够自主探索复杂工艺-结构-性能关系，实现优化材料制备。

提出的方法

• 机器视觉模块通过自动并行化的计算机视觉流水线，从实时视频中提取高保真喷射特征（如喷射形状、速度）。
• 基于物理的建模模块编码了控制喷射形成与动力学的底层电液致方程，为学习提供物理约束。
• 机器学习模块采用贝叶斯推断，融合来自视觉与物理的低、高保真数据，实现实时在线学习并具备不确定性感知能力。
• 该框架采用闭环配置，实时视觉反馈与物理模型共同引导机器学习规划器，动态调整工艺参数。
• 采用以数据为中心的方法，通过结合物理先验与合成及实时数据，显著减少对大量实验试错的需求。
• GPJet在虚拟E-jet打印系统上得到验证，具备过程中的喷射监测能力，展示了在动态工艺学习中出色的鲁棒性与效率。

实验结果

研究问题

• RQ1 物理信息贝叶斯学习框架能否有效降低E-jet打印工艺校准的实验成本？
• RQ2 在高速、多物理场制造背景下，实时机器视觉能否从视频数据中准确提取喷射动力学特征？
• RQ3 将物理定律与视觉及实验数据相结合，能在多大程度上提升E-jet打印工艺建模的准确性与鲁棒性？
• RQ4 该框架能否实现低人工干预的在线自适应喷射动力学学习？
• RQ5 通过贝叶斯推断融合高、低保真数据，能否提升复杂动态制造系统中的预测性能？

主要发现

• 机器视觉模块成功通过并行化、自动化的处理流程，实时从视频数据中提取了高保真喷射特征。
• 将视觉数据与基于物理的模型结合，实现了在极少实验数据下的准确、具备不确定性感知的喷射动力学预测。
• GPJet框架展示了有效的闭环传感反馈，使机器学习规划器能够主动学习并适应变化的工艺条件。
• 以数据为中心的方法通过利用物理先验与实时视觉反馈，显著减少了所需实验次数。
• 该框架实现了对复杂E-jet打印动力学的鲁棒且高效的学>--，为智能、自校准增材制造系统提供了可扩展的解决方案。
• 结果表明，GPJet能够以高效率导航复杂的工艺-结构-性能关系，实现低成本、短周期的优化材料制备。