رفتن به نوشته‌ها

چگونه Ansys از یادگیری ماشینی برای افزایش موفقیت ساخت AM استفاده می کند


از طریق ما با همه چیزهایی که در دنیای شگفت انگیز AM اتفاق می افتد به روز باشید لینکدین انجمن.

غول نرم افزار شبیه سازی و CAD Ansys به طور فزاینده ای در AM از زاویه فرآیند/جریان کاری و از زاویه شبیه سازی درگیر شده است. این جنبه اخیر، که بر توانایی تنظیم دقیق فرآیند ساخت به گونه ای که تکرارپذیرتر و قابل اعتمادتر باشد، تمرکز دارد، اخیراً از طریق استفاده از هوش مصنوعی و یادگیری ماشین بررسی شده است.

رایگان، قابل دانلود کاغذ سفید از Ansys (در مقاله ای توسط مقاله توسط Scott Wilkins، مدیر بازاریابی محصول اصلی، و Sak Arumugan، مدیر محصول اصلی) نشان می‌دهد که چگونه اتخاذ رویکرد مبتنی بر داده برای تحقق این امر کلیدی است. داده محور بودن مستلزم دسترسی کارآمد به داده های مناسب است. حتی در مواردی که این امکان وجود دارد، مجموعه داده‌های AM در دنیای واقعی معمولاً پراکنده و پر سر و صدا هستند و محدودیت‌هایی را برای تحلیل آن‌ها ایجاد می‌کنند. همچنین استخراج ارزش از افزایش حجم داده ها می تواند دشوار باشد. برعکس، در برخی مناطق، داده های بسیار کمی در دسترس است. پیمایش این چالش‌ها برای بهینه‌سازی مواد و فرآیندهای AM، قابلیت‌های تحلیلی بسیاری از تیم‌ها را افزایش می‌دهد.

یادگیری ماشینی راه حلی ارائه می دهد. می‌تواند از داده‌های پروژه AM موجود برای ساخت مدل‌های پیش‌بینی‌کننده استفاده کند که روابط کلیدی فرآیند-ویژگی را شناسایی می‌کند، برنامه آزمایشی شما را هدایت می‌کند و پارامترهای پردازش بهینه را پیشنهاد می‌کند. Ansys Granta MI داده‌های پروژه AM را مدیریت می‌کند که پیش نیاز تجزیه و تحلیل موفق است. در عین حال، یک الگوریتم یادگیری ماشینی یکپارچه، Alchemite از Intellegens، می‌تواند ارزش را از این داده‌ها استخراج کند، حتی زمانی که پراکنده، پر سر و صدا و در حجم بالا باشد. نتیجه یک راه حل خارج از جعبه برای AM مبتنی بر داده است. این سطح جدید بینش به داده‌های AM مهندسان را قادر می‌سازد تا فرآیند AM را کنترل کرده و عملکرد مواد و قطعات را بهینه کنند. آنها با کاهش بسیار زیاد تعداد چرخه های آزمایشی به نتایج دست می یابند. این امر زمان برای بازار را تسریع می‌کند و می‌تواند از صرفه‌جویی در هزینه کل برای گردش‌های کاری AM تا 10% پشتیبانی کند.

چالش های AM

چالش های کلیدی برای پذیرش در مقیاس بزرگ AM در صنعت، سرعت و قابلیت اطمینان است. تحقیقات Ansys از این فرض شروع می‌شود که غلبه بر این چالش‌ها حتی دشوارتر می‌شود، زیرا هر فرآیند AM مجموعه‌ای از پارامترهای فرآیندی خاص خود را دارد، از جمله خواص مواد، تنظیمات ساخت و تغییر شرایط محیطی.

انتخاب مواد به تنهایی منجر به تعداد زیادی متغیر می شود. شیمی پودر یک آلیاژ به دلیل سطوح کمی از ناخالصی که می تواند ترکیب هر دسته را تغییر دهد، می تواند بسیار متفاوت باشد. به عنوان مثال، مطالعه Ansys می پرسد که چه درصدی از واریانس در غلظت تیتانیوم در پودر آلیاژ Ti-6Al-4V را می توان قبل از شکست ساخت AM تحمل کرد. یا سطوح ناخالصی هایی مانند اکسیژن، آهن، کربن و نیتروژن چگونه بر استحکام کششی قطعه AM حاصله تأثیر می گذارد؟

تغییرات احتمالی در پارامترهای پردازش در یک ماشین AM با انرژی لیزر (قدرت مرزی، سرعت مرز، فاصله دریچه، سرعت دریچه، افست دریچه، چگالی انرژی حجمی، و غیره) به پیچیدگی چالش AM می‌افزاید. فاکتورگیری در عملیات حرارتی، بازرسی تست های غیر مخرب (NDT) و متغیرهای تست مکانیکی، منجر به یک چالش بزرگ مدیریت داده می شود. توانایی پیش‌بینی اینکه چه اتفاقی می‌افتد، نقش بزرگی در تضمین نرخ بالای موفقیت ساخت در زمانی که ترکیب‌های فرآیند-ویژگی زیادی وجود دارد، بازی می‌کند.

چگونه Ansys از یادگیری ماشین برای افزایش موفقیت ساخت AM استفاده می‌کند، زمان ورود به بازار را تسریع می‌کند و از صرفه‌جویی در هزینه کلی پشتیبانی می‌کند.
نمایش تعداد زیادی از متغیرهای AM. استفاده از یادگیری ماشین برای شناسایی پیوندهای علی بین داده های AM.

یک رویکرد داده محور به AM

Ansys Granta MI محصول Ansys برای گرفتن اطلاعات مواد است. این شرکت ها را قادر می سازد تا داده های مواد خود را که از آزمایش مواد خام ورودی و محصولات نهایی خروجی جمع آوری شده، جمع آوری، سازماندهی و ذخیره کنند. این داده های سفارشی شده در تنظیم دقیق فرآیند AM برای مالکیت معنوی مواد اختصاصی یک شرکت بسیار ارزشمند است.

حتی با وجود قابلیت‌های مدیریت داده Granta MI، مجموعه داده‌های AM در دنیای واقعی معمولاً پراکنده و پر سر و صدا هستند. اصطلاح “sparse” برای نشان دادن شکاف هایی در خطوط یا ستون های خاصی از یک مجموعه داده استفاده می شود، در حالی که “نویز” به این واقعیت اشاره می کند که می تواند بین اندازه گیری های مختلف یک ویژگی وجود داشته باشد. مشکل دیگر این است که حتی اگر ممکن است شکاف هایی در داده ها وجود داشته باشد، این مجموعه داده های مواد می توانند برای استخراج موثر داده های مفید بسیار بزرگ شوند.

چگونه Ansys از یادگیری ماشین برای افزایش موفقیت ساخت AM استفاده می‌کند، زمان ورود به بازار را تسریع می‌کند و از صرفه‌جویی در هزینه کلی پشتیبانی می‌کند.
به منظور مدیریت حجم عظیمی از داده ها، Ansys با Intellegens همکاری کرد تا الگوریتم Alchemite خود را برای پر کردن آماری شکاف ها و کاهش نویز در داده ها ترکیب کند.

به منظور مدیریت این مقادیر عظیم داده، Ansys با Intellegens همکاری کرد تا الگوریتم Alchemite خود را برای پر کردن آماری شکاف‌ها و کاهش نویز در داده‌ها به کار گیرد. الگوریتم‌های یادگیری ماشینی (ML) که اغلب مبتنی بر رویکردهای شبکه عصبی هستند، مدل‌هایی را از داده‌های نمونه می‌سازند که به داده‌های آموزشی معروف هستند. این مدل‌ها تنها بر اساس آنچه که از این داده‌ها بدون برنامه‌نویسی صریح بیشتر «یاد گرفته‌اند»، می‌توانند مقادیر و خروجی‌های گمشده را برای مجموعه جدیدی از متغیرهای ورودی پیش‌بینی کنند. همچنین می‌توان از یادگیری ماشینی در AM برای بهینه‌سازی عملکرد با پیش‌بینی اینکه کدام ورودی‌ها به خروجی‌های مورد نظر دست می‌یابند، شناسایی نقاط دورافتاده، ناهنجاری‌ها یا خوشه‌ها در داده‌ها، و همچنین ورودی‌ها محرک‌های قوی کدام خروجی‌ها هستند، استفاده کرد.

یادگیری ماشینی از داده‌های پروژه AM موجود برای ساخت مدل‌های پیش‌بینی‌کننده استفاده می‌کند که روابط کلیدی فرآیند-ویژگی را شناسایی می‌کند، برنامه آزمایشی شما را هدایت می‌کند و پارامترهای پردازش بهینه را پیشنهاد می‌کند. به طور خلاصه، Alchemite می‌تواند از داده‌های شما ارزش استخراج کند، حتی زمانی که پراکنده، پر سر و صدا و در حجم بالا هستند. وقتی داده‌های بسیار کمی دارید، ML به شما کمک می‌کند تا با شناسایی پارامترهای کلیدی که از دست رفته‌اند، تلاش‌های خود را برای جمع‌آوری داده‌ها به طور موثر متمرکز کنید. وقتی داده‌های زیادی دارید، Alchemite می‌تواند پارامترهای کلیدی را که برای پیش‌بینی موفقیت ساخت AM حیاتی هستند استخراج کند. با وبینار درخواستی ما درباره نحوه عملکرد راه حل Ansys برای داده های AM بیشتر بدانید.

استفاده از یادگیری ماشین در AM

این سطح جدید بینش به داده‌های AM مهندسان را قادر می‌سازد تا فرآیند AM را کنترل کرده و عملکرد مواد و قطعات را بهینه کنند. می‌توانید با کاهش بسیار زیاد تعداد چرخه‌های آزمایشی آزمایشی به نتایجی دست یابید که به تسریع زمان ورود به بازار کمک می‌کند و منجر به صرفه‌جویی قابل‌توجهی در هزینه کل برنامه‌های AM می‌شود.

برای آسان کردن نرم افزار برای یادگیری و استفاده، راهکارهای Granta MI for AM به سه برنامه تقطیر شده است: یک برنامه مجموعه آموزشی، یک برنامه بهینه سازی و یک برنامه تجسم.

چگونه Ansys از یادگیری ماشین برای افزایش موفقیت ساخت AM استفاده می‌کند، زمان ورود به بازار را تسریع می‌کند و از صرفه‌جویی در هزینه کلی پشتیبانی می‌کند.

برنامه مجموعه داده های آموزشی به مهندسان کمک می کند تا مجموعه داده های آموزشی را برای شبکه عصبی ایجاد کنند، در حالی که برنامه بهینه سازی به آنها امکان می دهد مدل ایجاد شده توسط شبکه عصبی را بگیرند و از آن بازجویی کنند تا به سؤالات خاص شما در مورد فرآیندهای AM پاسخ دهند. در نهایت، برنامه تجسم به مهندسان اجازه می دهد تا به سرعت داده های خود را از طریق نمایشگرهای بینش گرافیکی درک کنند.

طبق محاسبات Ansys، فرآیندهای AM که سیستم مدیریت داده را با ML ترکیب می‌کنند، پیش‌بینی می‌شود که منجر به کاهش 50 تا 90 درصدی تعداد آزمایش‌های مورد نیاز برای ایجاد پارامترهای پردازش AM صحیح شود. این و سایر مزایا منجر به کاهش 10 درصدی هزینه در بازار جهانی AM خواهد شد. از مقاله سفید Ansys “چگونه یادگیری ماشینی کمک می کند تا قطعات ساخته شده افزودنی به بازار سریعتر عرضه شوند” بیشتر بیاموزید.

برای اینکه AM به عنوان یک فرآیند تولید صنعتی به رشد خود ادامه دهد، تولیدکنندگان باید به بهبودهایی تکیه کنند که تعداد خرابی‌های ساخت را کاهش می‌دهد و به آنها در جریان کار خود اطمینان می‌دهد. آنها نمی توانند به هدر دادن پول برای پودرهای فلزی گران قیمتی که فقط به انباشته قراضه ختم می شود، بپردازند.

Ansys به افزودن ویژگی‌ها به Granta MI ادامه می‌دهد و با Intellegens همکاری می‌کند تا ML را به بخش مهم‌تری از فرآیند ساخت AM تبدیل کند و اطمینان حاصل کند که مزایای ساخت افزودنی برای نسل‌های آینده مهندسان در دسترس خواهد بود.



منبع

منتشر شده در اخبار پرینتر و چاپ سه بعدی