Towards a Digital Twin Framework in Additive Manufacturing: Machine Learning and Bayesian Optimization for Time Series Process Optimization

要約

レーザー指向性エネルギー蒸着 (DED) は、複雑な形状や材料のグレーディングを作成する積層造形 (AM) に利点をもたらします。
しかし、主に層ごとの製造が原因で、材料の不一致や部品のばらつきなどの課題が残っています。
重要な問題は、DED 中の熱の蓄積であり、これは材料の微細構造と特性に影響を与えます。
DED 研究では熱管理のための閉ループ制御手法が一般的ですが、リアルタイム監視、物理ベースのモデリング、および制御を統一フレームワークに統合している手法はほとんどありません。
私たちの研究では、特定の設計目標を達成するために、DED プロセス パラメーターをリアルタイムで予測制御するためのデジタル ツイン (DT) フレームワークを提示します。
長短期記憶 (LSTM) ベースの機械学習とベイズ推論を使用してサロゲート モデルを開発し、DED 部品の温度を予測します。
このモデルは、将来の温度状態をリアルタイムで予測します。
また、時系列プロセス最適化 (BOTSPO) のためのベイジアン最適化 (BO) も紹介します。これは、従来の BO に基づいていますが、次元を削減した独自の時系列プロセス プロファイル ジェネレーターを備えています。
BOTSPO はプロセスを動的に最適化し、望ましい機械的特性を達成するための最適なレーザー出力プロファイルを特定します。
確立されたプロセスの軌道はオンラインの最適化を導き、パフォーマンスの向上を目指します。
このペーパーでは、デジタル ツイン フレームワークのコンポーネントの概要を説明し、AM の包括的なシステムへの統合を促進します。

要約(オリジナル)

Laser-directed-energy deposition (DED) offers advantages in additive manufacturing (AM) for creating intricate geometries and material grading. Yet, challenges like material inconsistency and part variability remain, mainly due to its layer-wise fabrication. A key issue is heat accumulation during DED, which affects the material microstructure and properties. While closed-loop control methods for heat management are common in DED research, few integrate real-time monitoring, physics-based modeling, and control in a unified framework. Our work presents a digital twin (DT) framework for real-time predictive control of DED process parameters to meet specific design objectives. We develop a surrogate model using Long Short-Term Memory (LSTM)-based machine learning with Bayesian Inference to predict temperatures in DED parts. This model predicts future temperature states in real time. We also introduce Bayesian Optimization (BO) for Time Series Process Optimization (BOTSPO), based on traditional BO but featuring a unique time series process profile generator with reduced dimensions. BOTSPO dynamically optimizes processes, identifying optimal laser power profiles to attain desired mechanical properties. The established process trajectory guides online optimizations, aiming to enhance performance. This paper outlines the digital twin framework’s components, promoting its integration into a comprehensive system for AM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google