blog

Jun 25, 2023

Aprendizagem ativa para previsão de propriedades de tração para fabricação aditiva por extrusão de materiais

Relatórios Científicos volume 13, Número do artigo: 11460 (2023) Citar este artigo 1114 Detalhes das métricas de acesso Técnicas de aprendizado de máquina foram usadas para prever propriedades de tração do material

Scientific Reports volume 13, Artigo número: 11460 (2023) Citar este artigo

1114 Acessos

Detalhes das métricas

Técnicas de aprendizado de máquina foram usadas para prever propriedades de tração de peças fabricadas aditivamente com base em extrusão de material, feitas com Technomelt PA 6910, um adesivo hot melt. Uma técnica adaptativa de geração de dados, especificamente um processo de aprendizagem ativo baseado no algoritmo de regressão do processo gaussiano, foi empregada para permitir a previsão com dados de treinamento limitados. Após três rodadas de coleta de dados, modelos de aprendizado de máquina baseados em regressão linear, regressão de crista, regressão de processo gaussiano e K-vizinhos mais próximos foram encarregados de prever propriedades para o conjunto de dados de teste, que consistia em peças fabricadas com cinco parâmetros de processamento escolhidos usando um método aleatório. gerador de números. No geral, a regressão linear e a regressão de crista previram com sucesso os parâmetros de saída, com erro <10% para 56% das previsões. Os vizinhos K mais próximos tiveram desempenho pior do que a regressão linear e a regressão de crista, com erro <10% para 32% das previsões e erro de 10–20% para 60% das previsões. Embora a regressão do processo gaussiano tenha sido executada com a menor precisão (<10% de erro para 32% dos casos de previsão e 10–20% de erro para 40% das previsões), ela se beneficiou mais da técnica adaptativa de geração de dados. Este trabalho demonstra que modelos de aprendizado de máquina usando técnicas adaptativas de geração de dados podem prever com eficiência propriedades de estruturas fabricadas aditivamente com dados de treinamento limitados.

A manufatura aditiva (AM) é uma técnica de processamento na qual os objetos são fabricados camada por camada. A fabricação de filamentos fundidos (FFF) é o processo AM baseado em extrusão de material (MatEx) mais comum, no qual o filamento de polímero é aquecido até derreter, extrudado através de um bico e depositado em uma superfície de construção para formar peças tridimensionais. Uma compreensão detalhada do processo FFF, desde a capacidade de impressão dos materiais iniciais até as relações processo-estrutura-propriedades das peças impressas, é necessária para controlar a qualidade da peça final. Contudo, a qualidade final da peça depende de muitos parâmetros do processo, complicando os esforços no sentido do controle de qualidade.

Modelos baseados em física podem fornecer informações importantes para a compreensão do MatEx. Esses modelos são baseados na física relevante, ao mesmo tempo que estabelecem suposições e condições de contorno para refletir de perto o processo original. As amplas gamas de modelos podem ser divididas em categorias distintas. Compreender a transferência de calor e a distribuição térmica durante a impressão é importante, pois são essenciais para a adesão intercamadas nas peças impressas. Volume finito1, análise de elementos finitos (FEA)2,3, diferença finita3 e modelos numéricos4 de transferência de calor em MatEx foram relatados. A reologia do fundido também foi modelada, tanto na extremidade quente quanto no extrudado . Também foram criados modelos para determinação das propriedades mecânicas finais8,9. Os modelos baseados em física não requerem grandes conjuntos de dados experimentais e podem ter alta precisão porque levam em conta a física relevante. No entanto, são frequentemente limitados pela sua complexidade computacional, que não só consome tempo, mas também requer um conhecimento abrangente dos comportamentos multiescala e multifísicos do processo AM . Como resultado, os modelos ficam restritos a apenas alguns aspectos de todo o processo.

Em modelos de aprendizado de máquina (ML) baseados em dados, uma máquina ou sistema extrai padrões subjacentes de observações existentes ou dados experimentais para fazer previsões sobre novas observações sem a necessidade de programação explícita. Os modelos de ML podem ser menos intensivos computacionalmente do que os modelos baseados em física quando a saída desejada é a previsão de propriedades com base em um espaço de design multidimensional, como aquele típico do MatEx. Vários artigos de revisão fornecem visões gerais abrangentes do estado atual dos aplicativos de ML no MatEx10,11,12. Redes neurais artificiais (RNAs) são o método mais prevalente para otimização de processos AM10. A ANN é mais eficiente computacionalmente que a FEA na investigação do papel dos parâmetros de preenchimento nas propriedades mecânicas, como resistência à tração13 e relação resistência-peso14. Vários estudos se concentraram na previsão de propriedades mecânicas em macroescala, como resistência à tração15, módulo dinâmico de elasticidade16, tensão compressiva17 e características de fluência18, utilizando modelos de perceptron multicamadas (MLP) baseados em RNA. Modelos de ML para otimizar a precisão dimensional19 e rugosidade superficial20 com base nos parâmetros do processo de entrada foram criados com um modelo baseado em RNA e um modelo conjunto, respectivamente.