互联网实时新闻：苹果工程师用AI赋能“工业3D打印”让成品与设计图差距大幅缩小

分享一篇有关互联网，手机方面文章给大家，相信很多小伙伴们还是对互联网，手机这方面还是不太了解，那么小编也在网上收集到了一些关于手机和互联网这方面的相关知识来分享给大家，希望大家看了会喜欢。

　　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

特别提醒：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！