De acordo com a Universidade Lehighum projeto financiado pela NSF liderado pela pesquisadora Parisa Khodabakhshi visa agilizar modelos de aprendizado de máquina que incorporam leis físicas, facilitando o design de ligas para peças de alto desempenho na indústria aeroespacialindústrias automotiva, automotiva e de saúde, por meio de impressão 3D.
“Essa abordagem camada por camada permite a fabricação de peças com geometrias complexas que muitas vezes são difíceis, ou mesmo impossíveis, de alcançar com métodos de fabricação convencionais”, disse Parisa Khodabakhshi, professora assistente de Engenharia Mecânica e Mecânica na Faculdade de Engenharia e Ciências Aplicadas PC Rossin da Lehigh College. “No entanto, as propriedades termomecânicas das peças finais fabricadas aditivamente são influenciadas por um grande número de parâmetros do processo, tornando a otimização do projeto particularmente desafiadora.”
Estabelecer o mapa entre as variações nos parâmetros do processo e as propriedades da peça closing requer diversas simulações em uma ampla gama de escalas de comprimento, tornando a tarefa computacionalmente dispendiosa. “As demandas computacionais para realizar todas as simulações necessárias tornam isso impraticável”, disse Khodabakhshi. Como resultado, os fabricantes recorrem frequentemente a métodos de tentativa e erro para alcançar as propriedades térmicas ou mecânicas desejadas no produto closing. “No entanto, você não pode explorar completamente todo o espaço do projeto dessa maneira para encontrar o projeto perfect, e é por isso que atualmente não podemos utilizar todo o potencial da fabricação aditiva.”
Khodabakhshi recebeu recentemente uma doação de três anos no valor de US$ 350.000 da Nationwide Science Basis para desenvolver um modelo computacionalmente eficiente que preveja com precisão como os parâmetros do processo AM influenciam a microestrutura de solidificaçãoque por sua vez determina as propriedades da peça closing. Especificamente, Khodabakhshi desenvolverá um modelo de ordem reduzida baseado em física e baseado em dados para prever a evolução da microestrutura na solidificação de ligas binárias (ou quando uma mistura de dois metais muda de líquido para sólido).
“Por exemplo, digamos que eu queira uma peça que tenha propriedades térmicas específicas”, disse ela. “Não sei quais deveriam ser meus parâmetros de processo para atingir essas propriedades. As simulações que vinculam determinados parâmetros de processo à microestrutura de solidificação resultante e, consequentemente, às propriedades finais da peça construída, são altamente não lineares. Chamamos essa simulação de mapa direto. A partir daí, posso construir o mapa inverso, que conecta as propriedades desejadas aos parâmetros do processo.” O projeto NSF concentra-se no desenvolvimento de um modelo computacionalmente eficiente para o relacionamento processo-estrutura (PS).
O objetivo closing é otimizar a fabricação de peças fabricadas aditivamente, que são especialmente úteis nas indústrias aeroespacial, automotiva e de saúde – áreas nas quais a confiança na fabricação é elementary.
A abordagem de sua equipe usa uma estrutura científica de aprendizado de máquina que combina algoritmos de aprendizado de máquina baseados em dados com leis físicas. “Como engenheiros, não queremos apenas treinar um algoritmo de caixa preta”, disse Khodabakhshi. “Queremos incorporar a física no problema para satisfazer as equações governantes dos fenômenos físicos, para que tenhamos confiança sobre o resultado que recebemos do algoritmo. Essa é a diferença entre o aprendizado de máquina convencional e o aprendizado de máquina científico.”