來自能源部（DoE）阿貢國家實驗室的工程研究人員將使用社交媒體人工智能技術來更好地優化3D打印部件的幾何形狀。
阿貢的首席機械工程師馬克-梅斯納(Mark Messner)是早在2019年最初開發這種新方法的人之一，他聲稱這是預測材料在極端溫度和壓力下可能表現的一種更好方式。雖然目前基于模擬的預測方法如愿以償，但它們往往需要超級計算機級別的處理能力（和大量的耐心）來準確預測幾何體在某些條件下可能的行為。
"梅斯納說："你通常必須運行大量的基于物理學的模擬來解決這個問題。
如果研究人員已經有了一套特定的屬性，如剛度、密度和強度，并想確定他們需要產生這些屬性的優化部件結構，那么這一點尤其正確。據報道，作為一種替代方法，阿貢的方法比現代的零件性能模擬快2000多倍，并且能夠在帶有消費級GPU的普通筆記本電腦上運行。
梅斯納的人工智能正在反復優化零件的幾何形狀。圖片來源：馬克-梅斯納。
社交媒體是如何發揮作用的？
梅斯納的工作可以追溯到他在勞倫斯-利弗莫爾國家實驗室擔任博士后研究員的時候，當時他和他的團隊正試圖3D打印復雜的微米級結構。據報道，該團隊的進展緩慢，因此他們將目光投向了人工智能，看看是否能加快他們的研究。
當時，硅谷新興的社交媒體巨頭已經開始使用卷積神經網絡，這是一種能在大量數據集中找到模式的人工智能，用于圖像中的面部和物體識別。梅斯納認為他可以將這一概念應用于三維領域。
"他解釋說："我的想法是，一種材料的結構與三維圖像沒有區別。"有道理的是，這個神經網絡的3D版本將很好地識別結構的屬性--就像一個神經網絡學會了一個圖像是一只貓或其他東西一樣。"
為了看看他的想法是否可行，梅斯納設計了一個確定的三維幾何體，并使用傳統的基于物理學的模擬來創建一組200萬個數據點。每個數據點都將他的幾何體與密度和剛度的 "理想 "值聯系起來。然后，他將這些數據點輸入一個神經網絡，并訓練它尋找所需的屬性。
最后，梅斯納使用了遺傳算法--一種迭代的、基于優化的人工智能類別--與經過訓練的神經網絡一起，確定能夠產生他所尋求的特性的結構。令人印象深刻的是，他的人工智能方法找到了正確的結構，比傳統的物理模擬快2760倍。
卷積神經網絡的拓撲結構。圖片來源：馬克-梅斯納。
人工智能、3D打印和核部門
人工智能方法最有希望的應用之一是在3D打印領域。由于該方法傾向于提出極其復雜的幾何形狀，傳統的制造工藝將難以實際生產模型所建議的結構。三維打印的添加性使得制造這些優化的結構成為可能，無論幾何形狀有多復雜，都能使科學家實現他們所尋求的特性。
Messner認為 "機械工程的未來 "很可能是人工智能和增材制造的結合。"你可以把由神經網絡決定的結構交給擁有3D打印機的人，他們會按照你想要的性能打印出來。我們還沒有完全達到這個目標，但這是我們的希望。"
該技術的一個更直接的應用是在核工業中，用于材料設計。事實上，梅斯納的團隊目前正在與核電創業公司Kairos Power合作，利用人工智能設計一個熔鹽核反應堆核心。阿貢的模型最終將幫助Kairos團隊預測不銹鋼316H在幾十年內如何處理核反應堆核心固有的高溫和壓力。
"這是我們為Kairos Power所做工作的一小部分，但卻是至關重要的，"阿貢的核工程師Rui Hu總結道。"Kairos Power希望有非常準確的模型來說明反應堆部件在其反應堆內的行為，以支持其向核管理委員會提出的許可申請。我們期待著提供這些模型。"
人工智能和機器學習無疑已經進入了3D打印領域，在從材料設計到缺陷檢測等方面都有應用。本月早些時候，查爾斯大學計算機圖形學組（CGG）的研究人員開發了一種基于ML的技術，可以幫助解鎖更高的保真度的c
人工智能和機器學習無疑已經進入了3D打印領域，從材料設計到缺陷檢測都有應用。本月早些時候，查爾斯大學計算機圖形組（CGG）的研究人員開發了一種基于ML的技術，可以幫助解鎖更高保真度的彩色3D打印。通過模擬3D打印過程，該團隊能夠訓練一種算法，以找到限制顏色滲漏的最佳構建參數，并提高零件精度。
在其他地方，在阿貢和德克薩斯A&M大學，科學家們以前開發了一種新穎的ML方法來檢測3D打印部件的缺陷。利用實時溫度數據和ML算法，科學家們能夠在熱歷史和次表面缺陷的形成之間建立相關聯系。
轉載請注明出處。
相關文章
熱門資訊
精彩導讀
關注我們
