Fast and Accurate Reduced-Order Modeling of a MOOSE-based Additive Manufacturing Model with Operator Learning

要約

積層造形（AM）における主な課題の1つは、実行中に製造プロセスパラメータを操作して特定の材料特性を実現することです。このような操作は、AMで使用される既存のシミュレーションツールに課される計算負荷を増大させる傾向がある。本研究の目的は、Multiphysics Object-Oriented Simulation Environment（MOOSE）フレームワーク内で開発されたAMモデルに対して、高速かつ高精度な低次モデル（ROM）を構築し、最終的にAM制御および最適化プロセスの時間とコストを削減することです。オペレータ学習（OL）アプローチの採用により、レーザーのガウシアン点熱源におけるプロセス変数の変更によって生成される微分方程式のファミリーを学習することができました。具体的には、フーリエ神経演算子（FNO）と深層演算子ネットワーク（DeepONet）を用いて、時間依存応答のROMを開発した。さらに、これらのOL法の性能を、従来のディープニューラルネットワーク（DNN）ベースのROMに対してベンチマークした。最終的に、OL手法は同等の性能を提供し、精度と一般化可能性の点で、スカラーモデルの応答を予測する際にDNNを上回ることさえわかった。DNNベースのROMは、学習時間が最も早かった。さらに、すべてのROMはオリジナルのMOOSEモデルよりも高速でありながら、正確な予測を提供した。FNO は、DeepONet よりも平均予測誤差が小さく、時間依存の応答については分散が大き かった。DNNとは異なり、FNOとDeepONetの両方は、次元削減技術を必要とせずに、時系列データをシミュレートすることができた。本研究は、評価精度を維持しながらシミュレーションツールの高速実行を可能にすることで、AM最適化プロセスの促進に役立つ。

要約(オリジナル)

One predominant challenge in additive manufacturing (AM) is to achieve specific material properties by manipulating manufacturing process parameters during the runtime. Such manipulation tends to increase the computational load imposed on existing simulation tools employed in AM. The goal of the present work is to construct a fast and accurate reduced-order model (ROM) for an AM model developed within the Multiphysics Object-Oriented Simulation Environment (MOOSE) framework, ultimately reducing the time/cost of AM control and optimization processes. Our adoption of the operator learning (OL) approach enabled us to learn a family of differential equations produced by altering process variables in the laser’s Gaussian point heat source. More specifically, we used the Fourier neural operator (FNO) and deep operator network (DeepONet) to develop ROMs for time-dependent responses. Furthermore, we benchmarked the performance of these OL methods against a conventional deep neural network (DNN)-based ROM. Ultimately, we found that OL methods offer comparable performance and, in terms of accuracy and generalizability, even outperform DNN at predicting scalar model responses. The DNN-based ROM afforded the fastest training time. Furthermore, all the ROMs were faster than the original MOOSE model yet still provided accurate predictions. FNO had a smaller mean prediction error than DeepONet, with a larger variance for time-dependent responses. Unlike DNN, both FNO and DeepONet were able to simulate time series data without the need for dimensionality reduction techniques. The present work can help facilitate the AM optimization process by enabling faster execution of simulation tools while still preserving evaluation accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL