7 月 3 日消息，近日，苹果软件工程师 Zhu Zeliang Liu 和伊利诺伊大学土木与环境工程教授 Jinhui Yan 正在尝试使用机器学习来预测增材制造(Additive Manufacturing，AM)过程。
增材制造技术与 3D 打印技术所类似，但两者仍有差异。根据 GE additive 的描述，3D 打印一般采用喷墨式(inkjet-style)，适合普通消费者的个性化需求。而增材制造的工艺比 3D 打印要工业化许多，在一些特定情况下能够作为数控加工(CNC machining)、注射成型(injection molding)和熔模制造(investment casting)的替代方案，在工业制造中节省更多成本，更符合制造商的需要。
然而，提前预测增材制造过程是一个挑战。
一、预测增材制造过程中受到物质转化的影响，不容易被预测
伊利诺伊大学博士生 Qiming Zhu 说，“在预测增材制造过程时，需要将多个变量都考虑进去，例如气体、液体和固体，以及它们之间的转化”。同时，他也强调增材制造过程会受到广泛的空间和时间尺度(spatial and temporal scales，打印物品的大小和花费的时间长度)的影响，小范围的测试可能和增材制造的成品有巨大差距。
Zhu Zeliang Liu 和 Jinhui Yan 组成了团队，尝试使用机器学习来解决这些问题。他们尝试用深度学习(deep learning)和神经网络(neural network)来预测增材制造过程中的每一步步骤。
二、团队尝试利用物理信息神经网络来构建预测模型
当前主流的神经网络模型都需要大量数据来进行模拟训练。但在增材制造领域，获得高保真的数据是一件很困难的事情。Zhu Zeliang Liu 表示，为了减少对数据的需求，团队尝试研究“物理信息神经网络(physics informed neural networking)”或 PINN。
“通过合并守恒定律(incorporating conservation laws)，并用偏微分方程表示(partial differential equations)，我们可以减少训练所需的数据量并提高我们当前模型的能力。”他说。
三、该模型的预测结果准确度高达九成以上
该团队模拟了两个基准实验的动态(simulated the dynamics of two benchmark experiments)：一个是当固体和液态金属相互作用的 1D 凝固(1D solidification)实验;另一个是激光束熔化试验(laser beam melting tests)，选自 2018 年 NIST 增材制造基准测试系列(2018 NIST Additive Manufacturing Benchmark Test Series)。
在 1D 凝固案例中，他们将实验数据输入到他们的神经网络模型中。在激光束熔化测试中，他们使用了实验数据以及计算机模拟的结果。
该团队的神经网络模型能够重现这两个实验的动态。在 NIST Challenge 的情况下，它预测了实验中的温度(temperature)和熔池长度(melt pool length)，误差在实际结果的 10% 以内。这个结果显示该模型已经具备预测增材制造过程的能力。
结论：预测增材制造过程的技术，在工业制造领域有广泛的前景
在 2021 年一月，该团队已经在 Computational Mechanics 上发表了他们的研究成果。Zhu Zeliang Liu 说，“这是神经网络首次应用于金属增材制造过程的建模(metal additive manufacturing process modeling)，显示出基于物理的机器学习(physics-informed machine learning)在增材制造领域具有巨大潜力。”
增材制造能够让人们在制造业(manufacturing)、汽车工程(automotive engineering)甚至外太空(outer space)中按需生产零件或产品，减少材料浪费的可能性。Zhu Zeliang Liu 认为，未来工程师将使用神经网络作为快速预测工具，在预测增材制造过程时，提供参数设置的建议。
来源：Scienmag 和 GE additive
