От процес до микроструктура: какво всъщност учи лазерът на 3D принтера една невронна мрежа

Едно число ме дразнеше цяла седмица: 266 K. Това е температурният скок, който нашият сурогатен модел трябваше да проследи, кадър по кадър, докато симулиран лазер минава през детайл при метален 3D печат. Не статично температурно поле — движещо се.

Повечето хора, които говорят за AI в адитивното производство, показват готов детайл с цветна карта на “предсказан стрес”. Аз искам да говоря за нещо по-малко фотогенично, но по-важно за реалния резултат: термичната история.

При laser powder bed fusion (LPBF) детайлът не се build-ва наведнъж, а расте, слой по слой, под лазер който преминава по прахово легло и разтопява го локално. Това, което остава вътре в метала — зърнестата структура, дали е фина и изотропна или груба и колонна, дали детайлът е жилав или чуплив в дадена посока — се определя почти изцяло от две производни величини: термичния градиент G и скоростта на фронта на втвърдяване V в момента, в който всяка частица метал замръзва. G и V идват от термичната история. Ако имаш вярна и евтина термична история, имаш суровината за предсказване на микроструктурата. Ако я нямаш вярна, никаква обработка след това не помага.

Това е частта, която сме построили и проверили до момента.

Какво реално работи

Адитивното производство не е прикачено към нашия симулационен двигател (NEMO) като отделен инструмент. То е една физика в рамките на единния модел, който обработва и термика, и механика, и други домейни — режим “additive_mfg” в темпоралния солвър. Пуснахме реални, движещи-лазер преходни термични решения на MOOSE (нашата FEM истина) и наблюдавахме как горещата точка се движи през детайла през 7 кадъра, с локален температурен скок от точно тези 266 K. Това е наистина времево-зависима задача, не единичен статичен снимък, представен като такъв.

Частта, за която държа най-много от гледна точка на инженерна честност, е как параметрите на процеса влизат в модела. Плътността на лазерната мощност, скоростта на сканиране, радиусът на петното и дебелината на слоя не отиват само към физичния солвър — те се записват директно и в същите условни слотове (30 до 32), които невронната мрежа чете като вход. Звучи като дребна подробност. Не е. Означава, че числото, което моделът вижда по време на трениране, е точно същото число, което физиката е усетила по време на решаването. Без преизчисляване, без разминаване в единиците, без тих несъответствие между “какво казахме на солвъра” и “какво казахме на мрежата”. Когато сменихме комбинацията мощност/скорост (Q, v), измереният пиков температурен отклик се промени от 97.7 K до 618 K — голяма, ясно причинна разлика, което ни казва, че кондиционният канал върши реална работа, не стои като украса.

Самият build се симулира слой по слой чрез метода на “тихите елементи” (quiet-element): прахът над текущия фронт на build-а се моделира с около 2% от плътната проводимост, така че термично се държи като насипен прах, докато лазерът не го достигне и не го “активира”. Искам да съм директен относно ограничението тук: това е макро-слойно приближение. Реалните LPBF слоеве са 30-50 микрометра. Текущата ни мрежова резолюция не стига дотам. Това е реална разлика между модела и физическия процес и предпочитам да го кажа, отколкото да оставя красива графика да намеква обратното.

Къде честността става неудобна

Интегрираме два специализирани солвъра, за да отидем по-нататък: MALAMUTE, инструмент базиран на MOOSE от Idaho National Laboratory за термо-флуидно поведение на стопилковата вана и стабилността ѝ, и AdditiveFOAM, инструмент базиран на OpenFOAM от Oak Ridge National Laboratory (текуща версия v1.2.0), който улавя по-хаотичната дефектна физика — пръски, изпарителна плюма, формиране на keyhole — и произвежда данни за втвърдяване, подходящи за предсказване на микроструктура чрез свързване с ExaCA.

Ето изречението, което е най-важно в целия този текст: нямаме трениран модул за микроструктура и нямаме трениран G/V модул. Механизмът — лазерът се движи, топлината тече, параметрите на процеса причинно оформят термичния отклик и този отклик се улавя от сурогат вместо от пълно решение — е доказан от край до край. Веригата на предсказване работи. Това, което все още не прави, е да ти каже, с валидирано число, как ще изглежда зърнестата структура. Докато моделът не мине през съвместно трениране с другите физики и не премине проверка на отделен тестов набор, всеки термичен или микроструктурен изход от този плацдарм е доказан по механизъм, но не и числово надежден. Да го нарека “готов” би било точно онзи тип уверено-но-грешно твърдение, което най-много се старая да избягвам.

Същата уговорка важи и за сестринския плацдарм за термика на печатни платки (PCB): корпус от 113 платки, веригата верифицирана 100/100 на синтетични тестове, ingest-ът пуснат end-to-end на реална платка 100x140 мм с 86 компонента — и все още без гейт за точност, докато не мине съвместното трениране.

Крайната продуктова цел е доклад за печатаемост и дизайн, лист с оперативни параметри и нещо, което наричаме Build Recipe: JSON артефакт със собствен валидационен блок, така че ако числата зад него не са проверени, рецептата се маркира машинно като DRAFT, вместо да ѝ се вярва тихомълком. Всяка зонално модулирана траектория на сканиране, която генерираме, се пре-верифицира през солвъра с висока точност, преди да се доближи до реален хардуер.

Предпочитам да доставям тази дисциплина бавно, отколкото да доставя карта на микроструктура, зад която не мога да застана.

Ако работите с LPBF процеси, металургия или квалификация на адитивни детайли, бих искал да чуя къде според вас G/V-базираните сурогати се чупят на практика.