블로그

Jun 25, 2023

재료 압출 적층 제조의 인장 특성 예측을 위한 능동 학습

Scientific Reports 13권, 기사 번호: 11460(2023) 이 기사 인용 1114 액세스 측정항목 세부정보 기계 학습 기술을 사용하여 재료의 인장 특성을 예측했습니다.

Scientific Reports 13권, 기사 번호: 11460(2023) 이 기사 인용

1114 액세스

측정항목 세부정보

핫멜트 접착제인 Technomelt PA 6910으로 제작된 재료 압출 기반 적층 제조 부품의 인장 특성을 예측하기 위해 기계 학습 기술이 사용되었습니다. 제한된 훈련 데이터로 예측을 가능하게 하기 위해 적응형 데이터 생성 기술, 특히 가우시안 프로세스 회귀 알고리즘을 기반으로 하는 능동 학습 프로세스가 사용되었습니다. 세 차례의 데이터 수집 후, 선형 회귀, 능선 회귀, 가우시안 프로세스 회귀 및 K-최근접 이웃을 기반으로 하는 기계 학습 모델은 무작위를 사용하여 선택된 5개의 처리 매개변수로 제작된 부품으로 구성된 테스트 데이터세트의 속성을 예측하는 임무를 맡았습니다. 숫자 생성기. 전반적으로 선형 회귀 및 능선 회귀는 예측의 56%에 대해 10% 미만의 오류로 출력 매개변수를 성공적으로 예측했습니다. K-최근접 이웃은 선형 회귀 및 능선 회귀보다 성능이 나빴습니다. 예측의 32%에 대해 오류가 10% 미만이고 예측의 60%에 대해 오류가 10~20%였습니다. 가우스 프로세스 회귀는 가장 낮은 정확도(32% 예측 사례에 대해 < 10% 오류, 40% 예측에 대해 10-20% 오류)로 수행되었지만 적응형 데이터 생성 기술의 이점을 가장 많이 얻었습니다. 이 연구는 적응형 데이터 생성 기술을 사용하는 기계 학습 모델이 제한된 훈련 데이터를 사용하여 적층 제조 구조의 특성을 효율적으로 예측할 수 있음을 보여줍니다.

AM(적층 가공)은 물체를 층별로 제작하는 가공 기술입니다. FFF(융합 필라멘트 제조)는 가장 일반적인 재료 압출 기반(MatEx) AM 공정으로, 폴리머 필라멘트가 녹을 때까지 가열되고, 노즐을 통해 압출되고, 빌드 표면에 증착되어 3차원 부품을 형성합니다. 최종 부품 품질을 제어하려면 시작 재료의 인쇄 가능성부터 인쇄된 부품의 프로세스 구조 특성 관계에 이르기까지 FFF 프로세스에 대한 자세한 이해가 필요합니다. 그러나 최종 부품 품질은 많은 공정 매개변수에 따라 달라지므로 품질 관리 노력이 복잡해집니다.

물리학 기반 모델은 MatEx를 이해하는 데 중요한 통찰력을 제공할 수 있습니다. 이러한 모델은 관련 물리학을 기반으로 하며 원래 프로세스를 밀접하게 반영하도록 가정과 경계 조건을 설정합니다. 광범위한 모델은 서로 다른 범주로 나눌 수 있습니다. 인쇄 중 열 전달 및 열 분포를 이해하는 것은 인쇄된 부품의 층간 접착에 중요하므로 중요합니다. MatEx의 열전달에 대한 유한체적1, 유한요소해석(FEA)2,3, 유한차3, 수치4 모델이 보고되었습니다. 용융 유변학도 핫 엔드와 압출물 모두에서 모델링되었습니다5,6,7. 최종 기계적 특성을 결정하기 위한 모델도 생성되었습니다8,9. 물리학 기반 모델은 대규모 실험 데이터 세트가 필요하지 않으며 관련 물리학을 설명하므로 정확도가 높을 수 있습니다. 그러나 시간이 많이 걸릴 뿐만 아니라 AM 프로세스10의 다중 규모 및 다중 물리학 동작에 대한 포괄적인 지식이 필요한 계산 복잡성으로 인해 제한되는 경우가 많습니다. 결과적으로 모델은 전체 프로세스의 몇 가지 측면으로만 제한됩니다.

데이터 기반 기계 학습(ML) 모델에서 기계 또는 시스템은 기존 관찰 또는 실험 데이터에서 기본 패턴을 추출하여 명시적인 프로그래밍 없이도 새로운 관찰에 관해 예측합니다. 원하는 출력이 MatEx에 일반적인 것과 같은 다차원 설계 공간을 기반으로 한 속성 예측인 경우 ML 모델은 물리 기반 모델보다 계산 집약도가 낮을 ​​수 있습니다. 여러 리뷰 기사는 MatEx10,11,12의 ML 애플리케이션의 현재 상태에 대한 포괄적인 개요를 제공합니다. 인공 신경망(ANN)은 AM 프로세스 최적화를 위한 가장 널리 사용되는 방법입니다10. ANN은 인장 강도13 및 무게 대 강도 비율14과 같은 기계적 특성에 대한 충전재 매개변수의 역할을 조사할 때 FEA보다 계산적으로 더 효율적입니다. 여러 연구에서는 ANN 기반 MLP(다층 퍼셉트론) 모델을 활용하여 인장 강도15, 동적 탄성 계수16, 압축 응력17 및 크리프 특성18과 같은 거시적 기계적 특성을 예측하는 데 중점을 두었습니다. 입력 프로세스 매개변수를 기반으로 치수 정확도19 및 표면 거칠기20를 최적화하기 위한 ML 모델은 각각 ANN 기반 모델과 앙상블 모델을 사용하여 생성되었습니다.