광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
로고

[인공지능] AI를 사용하여 3D 프린팅 프로세스를 예측한다. 일리노이 대학교 엔지니어는 Frontera 슈퍼컴퓨터를 사용하여 적층 제조를 위한 물리 기반 신경망을 개발한다. 그들은 딥 러닝과 신경망을 사용하여 적층 제조와 관련된 복잡한 프로세스의 결과를 예측하고 있다. 신경망이 금속 적층 제조 공정 모델링에 적용된 것은 이번이 처음이다.

https://www.tacc.utexas.edu/-/using-ai-to-predict-3d-printing-processes

JM Kim | 기사입력 2021/10/14 [00:00]

[인공지능] AI를 사용하여 3D 프린팅 프로세스를 예측한다. 일리노이 대학교 엔지니어는 Frontera 슈퍼컴퓨터를 사용하여 적층 제조를 위한 물리 기반 신경망을 개발한다. 그들은 딥 러닝과 신경망을 사용하여 적층 제조와 관련된 복잡한 프로세스의 결과를 예측하고 있다. 신경망이 금속 적층 제조 공정 모델링에 적용된 것은 이번이 처음이다.

https://www.tacc.utexas.edu/-/using-ai-to-predict-3d-printing-processes

JM Kim | 입력 : 2021/10/14 [00:00]

유사 정상 상태(2마이크로초)에서 사례 A, B 및 C에 대해 물리 정보 신경망(PINN)에 의해 예측된 용융 풀 형상 및 온도 및 용융 풀 유속. [제공: Qiming Zhu, Zeliang Liu, Jinhui Yan]  

적층 제조는 제조, 자동차 엔지니어링, 심지어 우주 공간에서도 주문형 부품이나 제품을 만들 수 있는 잠재력이 있다. 그러나 3D프린팅 된 물체가 현재와 미래에 어떻게 작동할지 미리 아는 것은 어려운 일이다.

 

특히 금속 적층 제조(AM)의 물리적 실험은 느리고 비용이 많이 든다. 이러한 시스템을 계산적으로 모델링하는 것조차 비용과 시간이 많이 소요된다.

 

"문제는 다상이고 기체, 액체, 고체 및 이들 사이의 상전이를 포함한다"라고 일리노이 대학교 학생 Qiming Zhu Ph.D.가 말했다. "적층 제조는 공간적, 시간적 규모도 광범위하다. 이로 인해 소규모에서 발생하는 물리학과 실제 제품 사이에 큰 격차가 발생했다."

 

Zhu, Zeliang Liu(Apple의 소프트웨어 엔지니어), Jinhui Yan(일리노이 대학의 토목 및 환경 공학 교수)은 머신러닝을 사용하여 이러한 문제를 해결하려고 노력하고 있다. 그들은 딥 러닝과 신경망을 사용하여 적층 제조와 관련된 복잡한 프로세스의 결과를 예측하고 있다.

 

Zhu는 "우리는 처리, 구조, 속성 및 성능 간의 관계를 확립하고자 한다."라고 말했다.

 

 

금속 적층 제조를 위한 완전히 연결된 심층 신경망.

 

현재의 신경망 모델은 훈련을 위해 많은 양의 데이터가 필요하다. 그러나 Zhu에 따르면 적층 제조 분야에서는 충실도가 높은 데이터를 얻는 것이 어렵다. 데이터의 필요성을 줄이기 위해 Zhu와 Yan은 '물리 정보 신경망 네트워킹' 또는 PINN을 추구하고 있다.

 

"편미분 방정식으로 표현되는 보존 법칙을 통합함으로써 훈련에 필요한 데이터의 양을 줄이고 현재 모델의 기능을 향상시킬 수 있다."라고 그는 말했다.

 

Zhu와 Yan은 Texas Advanced Computing Center에서 지원하는 Frontera 및 Stampede2 슈퍼컴퓨터(2021년 6월 기준, 세계에서 가장 빠른 10위와 36위)를 사용하여 두 가지 벤치마크 실험의 역학을 시뮬레이션했다: 고체 및 액체 금속이 상호 작용할 때 1D 응고의 예; 2018 NIST 적층 제조 벤치마크 테스트 시리즈에서 가져온 레이저 빔 용해 테스트의 예.

 

1D 응고의 경우 실험 데이터를 신경망에 입력한다. 레이저 빔 용해 테스트에서 그들은 실험 데이터와 컴퓨터 시뮬레이션 결과를 사용했다. 그들은 또한 문제 해결에서 똑같이 중요한 경계 조건에 대한 '강력한' 시행 방법을 개발했다.

 

팀의 신경망 모델은 두 실험의 역학을 재현할 수 있었다. NIST Challenge의 경우 실제 결과의 10% 이내에서 실험의 온도와 용융수지 길이를 예측했다. 그들은 1.2~1.5마이크로초의 데이터에 대해 모델을 훈련하고 최대 2.0마이크로초의 추가 시간 단계에서 예측을 수행했다.

 

팀은 2021년 1월 Computational Mechanics에 결과를 발표했다.

 

Zhu는 "신경망이 금속 적층 제조 공정 모델링에 적용된 것은 이번이 처음"이라고 말했다. "우리는 데이터와 물리학을 완벽하게 통합하는 완벽한 플랫폼으로서 물리 기반 머신 러닝이 적층 제조 분야에서 큰 잠재력을 가지고 있음을 보여주었다."

 

Zhu는 미래의 엔지니어가 신경망을 빠른 예측 도구로 사용하여 적층 제조 공정의 매개변수 선택(예: 레이저 속도 또는 온도 분포)에 대한 지침을 제공할 것으로 보고 있다.

 

적층 제조 공정 매개변수와 최종 제품의 표면 거칠기와 같은 특성 간의 관계를 매핑한다.

 

 

유한 요소법(FEM), 물리 정보 신경망(PINN) 및 준정상 상태(2마이크로초)에서 사례 B(195W, 0.8m/s)에 대한 실험의 온도 및 용융 풀 유체 역학 예측 비교) 용융 풀 모양이 변하지 않을 때. 왼쪽: FEM 예측. 중간: PINN 예측. 오른쪽: 실험의 복사 온도를 기반으로 한 열화상 비디오 프레임. [제공: Qiming Zhu, Zeliang Liu, Jinhui Yan]

 

Zhu는 "고객이 특정 속성을 요구한다면 제조 공정 매개변수에 무엇을 사용해야 하는지 알게 될 것"이라고 말했다.

 

2021년 5월 온라인에 게시된 응용 역학 및 공학의 계산 방법에 관한 별도의 논문에서 Zhu와 Yan은 자신의 기술이 기존 벤치마크보다 더 나은 예측을 얻을 수 있는지 확인하기 위해 적층 제조에 사용되는 기존 유한 요소 방법 프레임워크의 수정을 제안했다.

 

연구원들은 움직이는 레이저와 관련된 Argonne National Lab의 최근 적층 제조 실험을 반영하여 Frontera에서 수행된 시뮬레이션은 실험에서와 10.3% 미만으로 깊이가 다르며 금속 상단 표면에서 일반적으로 실험적으로 관찰된 갈매기형 모양을 포착하는 것을 보여주었다.

 

Zhu와 Yan의 연구는 컴퓨팅 기술의 지속적인 성장과 고성능 컴퓨팅에 대한 연방 투자의 이점을 누리고 있다.

 

Frontera는 이러한 연구의 속도를 높일 뿐만 아니라 훈련 데이터를 널리 사용할 수 없는 분야에서 기계 및 딥 러닝 연구의 문을 열어 AI 연구의 잠재력을 확장한다.

 

Zhu는 "가장 흥미로운 점은 모델이 소량의 기존 데이터만 사용하여 미래를 예측할 수 있다는 것을 볼 때이다."라고 말했다. "어떻게든 프로세스의 진화에 대해 배우고 있다.

 

"이전에는 가스-금속 인터페이스의 온도, 속도 및 기하학에 대해 우수한 정확도로 예측할 수 있을지 확신이 없었다. 우리는 훌륭한 데이터 추론을 할 수 있음을 보여주었다."

 

 
인공지능, 적층제조, 금속 관련기사목록
광고
광고
광고
광고
광고
광고
광고
많이 본 기사
최신기사