پژوهشگران در دانشکده مهندسی دانشگاه تورنتو، به رهبری پروفسور یو زو، از یادگیری ماشین برای بهبود ساخت افزایشی (additive manufacturing)، که معمولاً به عنوان چاپ سه بعدی نیز شناخته می شود، استفاده می کنند.
در مقاله جدیدی که در مجله تولید افزودنی (Additive Manufacturing) منتشر شده است، این تیم یک چارچوب جدید را معرفی می کند که آن را چارچوب بهینه سازی فرایند معکوس دقیق در رسوب انرژی مستقیم لیزری (AIDED) نامیده اند.
چارچوب جدید AIDED، چاپ سه بعدی لیزری را برای افزایش دقت و استحکام محصول نهایی بهینه می کند. هدف از این پیشرفت، تولید قطعات فلزی با کیفیت بالاتر برای صنایعی مانند هوافضا، خودرو، هسته ای و مراقبت های بهداشتی، با پیش بینی نحوه ذوب و جامد شدن فلز برای یافتن شرایط چاپ بهینه است.
شیائو شانگ، نامزد دکترا و نویسنده اول این مطالعه جدید می گوید: «پذیرش گسترده تر رسوب انرژی مستقیم - یک فناوری اصلی چاپ سه بعدی فلز - در حال حاضر به دلیل هزینه بالای یافتن پارامترهای فرآیند بهینه از طریق آزمون و خطا با مانع مواجه شده است.»
«چارچوب ما به سرعت پارامترهای فرآیند بهینه را برای کاربردهای مختلف بر اساس نیازهای صنعت شناسایی می کند.»
ساخت افزایشی فلز از یک لیزر پرقدرت برای ذوب انتخابی پودر فلزی ریز استفاده می کند و قطعات را لایه به لایه از یک مدل دیجیتال سه بعدی دقیق می سازد.
برخلاف روش های سنتی، که شامل برش، ریخته گری یا ماشینکاری مواد می شود، ساخت افزایشی فلز به طور مستقیم اجزای پیچیده و بسیار سفارشی شده را با حداقل ضایعات مواد ایجاد می کند.
زو می گوید: «یکی از چالش های اصلی چاپ سه بعدی فلز، سرعت و دقت فرآیند تولید است. تغییرات در شرایط چاپ می تواند منجر به ناهماهنگی در کیفیت محصول نهایی شود و برآورده کردن استانداردهای صنعت برای قابلیت اطمینان و ایمنی را دشوار می کند.»
«یکی دیگر از چالش های اصلی، تعیین تنظیمات بهینه برای چاپ مواد و قطعات مختلف است. هر ماده - چه تیتانیوم برای کاربردهای هوافضا و پزشکی یا فولاد ضد زنگ برای رآکتورهای هسته ای - دارای خواص منحصر به فردی است که به توان لیزر، سرعت اسکن و شرایط دمایی خاص نیاز دارد. یافتن ترکیب مناسبی از این پارامترها در طیف وسیعی از پارامترهای فرآیند یک کار پیچیده و وقت گیر است.»
این چالش ها زو و گروه آزمایشگاهی او را بر آن داشت تا چارچوب جدید خود را توسعه دهند. AIDED در یک سیستم حلقه بسته عمل می کند که در آن یک الگوریتم ژنتیکی - روشی که از انتخاب طبیعی برای یافتن راه حل های بهینه تقلید می کند - ابتدا ترکیبات پارامترهای فرآیند را پیشنهاد می کند، که مدل های یادگیری ماشین سپس کیفیت چاپ را ارزیابی می کنند.
الگوریتم ژنتیکی این پیش بینی ها را از نظر بهینه بودن بررسی می کند و این فرآیند را تا زمانی که بهترین پارامترها پیدا شوند، تکرار می کند.
شانگ می گوید: «ما نشان داده ایم که چارچوب ما می تواند پارامترهای فرآیند بهینه را از اهداف قابل تنظیم در کمتر از یک ساعت شناسایی کند و هندسه ها را از پارامترهای فرآیند به طور دقیق پیش بینی می کند. همچنین همه کاره است و می تواند با مواد مختلف استفاده شود.»
برای توسعه این چارچوب، محققان آزمایش های متعددی را برای جمع آوری مجموعه داده های گسترده خود انجام دادند. این چالش ضروری اما زمان بر تضمین کرد که مجموعه داده ها طیف گسترده ای از پارامترهای فرآیند را پوشش می دهد.
زو می گوید، با نگاهی به آینده، این تیم در حال کار بر روی توسعه یک سیستم تولید افزودنی خودکار یا خودران پیشرفته است که با حداقل دخالت انسان کار می کند، شبیه به نحوه رانندگی وسایل نقلیه خودران.
او می گوید: «هدف ما با ترکیب روشهای پیشرفته تولید افزودنی با هوش مصنوعی، ایجاد یک سیستم لیزری خودران با حلقه بسته جدید است.»
«این سیستم قادر خواهد بود نقصهای احتمالی را در زمان واقعی حس کند، مشکلات را قبل از وقوع پیشبینی کند و بهطور خودکار پارامترهای پردازش را برای اطمینان از تولید با کیفیت بالا تنظیم کند. به اندازه کافی متنوع خواهد بود که با مواد و هندسه های مختلف قطعات کار کند و آن را به یک تغییر دهنده بازی برای صنایع تولیدی تبدیل می کند.»
در این میان، محققان امیدوارند که AIDED بهینه سازی فرآیند را در صنایعی که از چاپ سه بعدی فلز استفاده می کنند، متحول کند.
شانگ می گوید: «صنایعی مانند هوافضا، زیست پزشکی، خودرو، هسته ای و غیره از چنین راه حل کم هزینه و در عین حال دقیقی برای تسهیل انتقال خود از تولید سنتی به چاپ سه بعدی استقبال می کنند.»
زو می افزاید: «تا سال 2030، انتظار می رود که تولید افزودنی، تولید را در چندین صنعت با دقت بالا تغییر دهد. توانایی اصلاح تطبیقی نقص ها و بهینه سازی پارامترها، پذیرش آن را تسریع می کند.»
اطلاعات بیشتر: Xiao Shang et al, Accurate inverse process optimization framework in laser directed energy deposition, Additive Manufacturing (2025). DOI: 10.1016/j.addma.2025.104736
ارائه شده توسط دانشگاه تورنتو
نقل قول: چارچوب جدید یادگیری ماشین، دقت و کارایی را در چاپ سه بعدی فلز افزایش می دهد (2025، 21 مارس) بازیابی شده در 21 مارس 2025 از https://techxplore.com/news/2025-03-machine-framework-precision-efficiency-metal.html