Blog

Jun 25, 2023

Apprentissage actif pour la prédiction des propriétés de traction pour la fabrication additive par extrusion de matériaux

Scientific Reports volume 13, Numéro d'article : 11460 (2023) Citer cet article 1114 Accès aux détails des métriques Des techniques d'apprentissage automatique ont été utilisées pour prédire les propriétés de traction d'un matériau.

Rapports scientifiques volume 13, Numéro d'article : 11460 (2023) Citer cet article

1114 Accès

Détails des métriques

Des techniques d'apprentissage automatique ont été utilisées pour prédire les propriétés de traction de pièces fabriquées de manière additive par extrusion de matériaux et fabriquées avec Technomelt PA 6910, un adhésif thermofusible. Une technique de génération de données adaptative, en particulier un processus d'apprentissage actif basé sur l'algorithme de régression du processus gaussien, a été utilisée pour permettre la prédiction avec des données d'entraînement limitées. Après trois cycles de collecte de données, des modèles d'apprentissage automatique basés sur la régression linéaire, la régression de crête, la régression de processus gaussien et les K-voisins les plus proches ont été chargés de prédire les propriétés de l'ensemble de données de test, composé de pièces fabriquées avec cinq paramètres de traitement choisis à l'aide d'une méthode aléatoire. générateur de nombres. Dans l’ensemble, la régression linéaire et la régression de crête ont prédit avec succès les paramètres de sortie, avec une erreur < 10 % pour 56 % des prédictions. Les K voisins les plus proches ont obtenu des résultats moins bons que la régression linéaire et la régression de crête, avec une erreur < 10 % pour 32 % des prédictions et une erreur de 10 à 20 % pour 60 % des prédictions. Bien que la régression par processus gaussien ait été réalisée avec la précision la plus faible (erreur < 10 % pour 32 % des cas de prédiction et erreur de 10 à 20 % pour 40 % des prédictions), elle a le plus bénéficié de la technique de génération de données adaptative. Ce travail démontre que les modèles d'apprentissage automatique utilisant des techniques de génération de données adaptatives peuvent prédire efficacement les propriétés de structures fabriquées de manière additive avec des données d'entraînement limitées.

La fabrication additive (FA) est une technique de traitement dans laquelle les objets sont fabriqués couche par couche. La fabrication de filaments fondus (FFF) est le processus de fabrication additive basé sur l'extrusion de matériaux (MatEx) le plus courant, dans lequel le filament polymère est chauffé jusqu'à ce qu'il soit fondu, extrudé à travers une buse et déposé sur une surface de construction pour former des pièces tridimensionnelles. Une compréhension détaillée du processus FFF, depuis l'imprimabilité des matières premières jusqu'aux relations processus-structure-propriétés des pièces imprimées, est nécessaire pour contrôler la qualité de la pièce finale. Cependant, la qualité finale de la pièce dépend de nombreux paramètres du processus, ce qui complique les efforts de contrôle qualité.

Les modèles basés sur la physique peuvent fournir des informations importantes pour comprendre MatEx. Ces modèles sont basés sur la physique pertinente tout en définissant des hypothèses et des conditions aux limites pour refléter fidèlement le processus d'origine. Les larges gammes de modèles peuvent être divisées en catégories distinctes. Comprendre le transfert de chaleur et la répartition thermique pendant l'impression est important car ils sont essentiels à l'adhésion intercouche dans les pièces imprimées. Des modèles de volumes finis1, d'analyse par éléments finis (FEA)2,3, de différences finies3 et numériques4 de transfert de chaleur dans MatEx ont été rapportés. La rhéologie du fondu a également été modélisée, à la fois au sein de la partie chaude et de l'extrudat5,6,7. Des modèles ont également été créés pour déterminer les propriétés mécaniques finales8,9. Les modèles basés sur la physique ne nécessitent pas de grands ensembles de données expérimentales et peuvent avoir une grande précision car ils tiennent compte de la physique pertinente. Cependant, ils sont souvent limités par leur complexité informatique, qui prend non seulement du temps, mais nécessite également une connaissance approfondie des comportements multi-échelles et multi-physiques du processus de fabrication additive10. En conséquence, les modèles sont limités à quelques aspects seulement de l’ensemble du processus.

Dans les modèles d'apprentissage automatique (ML) basés sur les données, une machine ou un système extrait des modèles sous-jacents à partir d'observations existantes ou de données expérimentales pour faire des prédictions concernant de nouvelles observations sans avoir recours à une programmation explicite. Les modèles ML peuvent nécessiter moins de calculs que les modèles basés sur la physique lorsque le résultat souhaité est la prédiction de propriétés basées sur un espace de conception multidimensionnel, tel que celui typique de MatEx. Plusieurs articles de synthèse fournissent un aperçu complet de l'état actuel des applications ML dans MatEx10,11,12. Les réseaux de neurones artificiels (ANN) constituent la méthode la plus répandue pour l’optimisation des processus de fabrication additive10. ANN est plus efficace en termes de calcul que FEA pour étudier le rôle des paramètres de remplissage sur les propriétés mécaniques telles que la résistance à la traction13 et le rapport résistance/poids14. Plusieurs études se sont concentrées sur la prévision des propriétés mécaniques à grande échelle telles que la résistance à la traction15, le module d'élasticité dynamique16, la contrainte de compression17 et les caractéristiques de fluage18 à l'aide de modèles de perceptron multicouche (MLP) basés sur l'ANN. Des modèles ML pour optimiser la précision dimensionnelle19 et la rugosité de surface20 en fonction des paramètres de processus d'entrée ont été créés avec un modèle basé sur ANN et un modèle d'ensemble, respectivement.