| dc.description.abstract | Additiv tilvirkning ("3D-printing") er en type produksjonsteknologi i kraftig vekst som gir nye muligheter for produksjon av 3D-produkter i industrien. Produktene produseres ved å tilføye tynne lag med råstoff som blir smeltet av en fiksert varmekilde. Smeltingen etterfølges av rask konsolidering som har en sterk innvirkning på produktets mikrostruktur og mekaniske egenskaper, noe som fører til økt sårbarhet for utmatting, korrosjon, sprekkdannelse, porøsitet og geometrisk deformasjon. I tillegg fører de store temperaturforskjellene og ikke-uniforme utvidelser og sammentrekninger av materialet til restspenninger. Restspenninger er problematisk ettersom de har innvirkning på produktets ytelse, nøyaktighet og robusthet. Grunnet problemene med de mekaniske egenskapene i additiv tilvirkning, er simuleringer av prosessen viktig for å få innsikt i produkters forventede egenskaper. Problemet med disse simuleringene er at de har en høy tids-, minne- og datakraftkostnad, og simuleringene er derfor tungvinte å bruke ved optimalisering i industrien. Maskinlæring er sett på som et alternativ til de dyre og tidkrevende simuleringene, noe som kan føre til at analysering av de termiske egenskapene i additiv tilvirkning kan bli mer kostnads- og tidseffektive.
Det er allerede blitt konstruert flere effektive maskinlæringsmodeller som kan beregne termiske felter i additiv tilvirkning. De presenterte maskinlæringsmodellene er likevel ikke ideelle da de ikke er generiske nok til å håndtere produkter med forskjellige geometrier, avsetningsmønstre (deposition patterns) og lasttilstander. Målet med dette prosjektet er derfor å konstruere et generisk sett med data-attributter (features) som gjenspeiler de termiske prosessene uten å gjøre forenklinger av produktene. Dette har blitt gjort ved å fokusere på den fysiske tilstanden og den termiske oppførselen i en rekke produkter med forskjellige egenskaper.
Den utviklede maskinlæringsmodellen består av 55 ekstremt randomiserte trær. Modellen har blitt trent og testet på datasett som er generert gjennom simuleringer med endelige elementmetoder (finite element methods, FEM) av produkter med en rekke geometrier, avsetningsmønstre og avsetningsegenskaper.
Prosjektets resultater demonstrerer at de konstruerte data-attributtene er generiske nok til å ha høy ytelse. Dette ble vist både ved beregninger av data hentet fra den samme og andre simuleringer enn det maskinlæringsmodellen er trent på. Ved å gjøre beregninger på en rekke simuleringer med varierende egenskaper, ble det vist at de generiske data-attributtene hadde høy nøyaktighet på beregninger av datapunkter fra samme simulering som maskinlæringsmodellen er trent på. Dette ble påvist for alle testede FEM modellene, inkludert FEM modeller med varierende geometri, avsetningsmønster og lasttilstand. At det er bevist at data-attributtene er generiske på denne måten, er helt nytt. Dette vil være viktig i arbeidet for å ta i bruk maskinlæring som et alment brukt redskap ved optimalisering av additiv tilvirkning. I tillegg er det også utført beregninger av data fra andre simuleringer enn det maskinlæringsmodellen er trent på. Resultatene fra disse undersøkelsene beviste at det er mulig å beregne alle datapunkter i en simulering uten bruk av FEM. I tillegg ble det også bevist at data-attributtene har overførbarhet til beregninger av andre lag, avsetningsmønstre og laserintensitet. At det nå er bevist at det er mulig å beregne alle datapunkter i en simulering uten bruk av FEM, vil redusere både beregningstid og -kostnad i forhold til tradisjonelle, numeriske metoder. Dette er et viktig steg i retning mot optimering av additiv tilvirkning i sanntid. | |
| dc.description.abstract | Additive manufacturing is an emerging technology used for industrial manufacturing of 3D parts. The parts are built by adding thin feedstock layers that are melted by a focused energy source. The melting of the feedstock is followed by rapid consolidation, which significantly influences the microstructure and mechanical properties of the manufactured part, leading to decreased fatigue life, corrosion resistance, and increasing crack propagation, porosity, and geometrical distortion. In addition, the steep thermal gradients and non-uniform expansion and contraction of the material during the thermal cycles may impact the printed part performance, accuracy, and robustness. Due to the mechanical problems of parts that are produced by additive manufacturing, computational simulations are essential to get an insight into the expected part performance. However, as the time, memory, and computing power cost of such simulations are high, the simulations are not applicable for real-life optimization. To address this problem, machine learning has been proposed as an alternative to expensive numerical simulations. Due to the nature of the process, the data is well suited for machine learning and may make analysis more cost and time-efficient.
There exist efficient and accurate machine learning models for predictions of thermal fields in additive manufacturing. However, the ML models are not generic enough to handle various geometries, deposition patterns, and heat inputs. Therefore this project aims to create a generic feature set that captures the thermal processes without relying on simplifications of the parts. This has been done by focusing on the physical state and thermal behavior in the process.
The developed ML model consists of 55 extremely randomized trees that have been trained and tested on datasets generated through finite element simulations. The datasets are generated through various simulations with varying geometries, deposition patterns, and deposition properties.
The project results demonstrate that the feature set is generic enough to perform well in various cases, both for same-simulation and simulation-to-simulation predictions. Same-simulation refers to the scenario where the
ML model is trained and tested on data from the same simulation. On the other hand, simulation-to-simulation predictions are trained and tested on data from distinct sets of simulations. In particular, the capability to perform
simulation-to-simulation predictions will reduce the time and computational cost compared to traditional numerical methods. By testing different cases, it was seen that the generic feature set has the possibility to perform same-simulation prediction with high accuracy on all tested cases, including several geometries, deposition patterns, and load conditions. The genericness of the feature set is novel and widens the utility of machine learning in predictions of thermal fields in additive manufacturing. In addition, simulation-to-simulation predictions were performed on several cases with different simulation properties and geometries. These investigations proved that accurate simulation-to-simulation predictions are possible. In addition, it was shown that the current feature space inhibits transferability in layers, patterns, and power intensities. Using simulation-to-simulation predictions will reduce the time and computational cost of the traditional numerical methods and is an essential step towards real-time optimization in additive manufacturing. | |