NSF重金资助：AI预测金属3D打印的过程和性能，60天仿真压缩至数小时

亚利桑那州立大学的研究团队正试图用 #AI破解金属增材制造 中最棘手的难题—如何预测和控制材料性能。

据ASU新闻6月11日报道，亚利桑那州立大学计算与增强智能学院的研究人员获得了美国国家科学基金会的资助，开发全新的#人工智能系统 ，让#不锈钢3D打印 变得更快更可靠。

不过我们目前只能基于ASU的公关稿件了解这个项目，具体的研究细节和Grant申请材料并未获取。

这个名为"CompAM：实现计算增材制造"的项目，瞄准的是一个看似简单却极其复杂的目标：让机器能够预测金属在#3D打印过程 中的形成方式。

淬火的数字化AI理解

计算机科学与工程教授阿维拉尔·什里瓦斯塔瓦用了一个绝妙的比喻来解释一个问题。

传统铁匠通过不同的#淬火工艺 来控制金属性能：

白热的金属扔进水里快速冷却，能造出坚硬的刀剑；而用沙子缓慢冷却，则能得到更有韧性的材料。

"当我们进行金属打印时，金属的质量实际上取决于冷却曲线，"他说道，"我们想要控制#冷却过程，这样就能实现想要的性能。"

这个道理听起来简单，但在现代#金属3D打印 中却变得极其复杂。

我们发现，微小的温度变化或时间调整都可能极大改变材料的性能表现。

这就是为什么#淬火过程 的精确控制变得如此关键。

正如传统铁匠掌握水淬与沙淬的区别一样，现代3D打印也需要这种精确的工艺控制。

60天仿真的痛点

为了展示这项技术，研究团队选择挑战的目标：

用316L不锈钢3D打印一个五轴的海军螺旋桨。

这个选择很能展示能力：螺旋桨体积大、几何结构复杂、精度要求高—意味着打印工艺控制要求的也高。

他们的目标是将金属晶粒尺寸控制在1微米以下，并且通过这种精度改善材料性能，但也带来了巨大的计算挑战。

使用传统方法，仅仅为海军螺旋桨运行一组#3D打印参数 的仿真就需要超过60天，还得用上1000核的超级计算机。

我们不禁想象，这种时间成本在工业应用中简直是令人头疼。

当然，这个60天的数据也是来自ASU的官方说法，具体的计算复杂度和瓶颈细节我们还无法深入了解。

物理定律与AI的结合

研究团队宣称的解决方案颇为巧妙：

构建一个#物理信息AI系统 ，能够预测金属内部结构在3D打印过程中的形成过程。

"对于许多过程，实际上已经有很多研究，"什里瓦斯塔瓦解释说，"物理学只是现实世界中遵循的一套规则。

我们正在做的是将这些方程与数据驱动学习相结合，让系统学得更好更快。"

延伸阅读：

AI摸3D打印工艺，少做千次实验反能精准识别熔池类型

AI设计3D打印实现：泡沫密度+钢铁强度超材料

AI预知火与钢之舞！武汉大学3D打印熔池预测神经网络

据称，这个AI系统的聪明之处在于，它不需要庞大的数据量或复杂的数学运算。

人工智能会在学习过程中识别应该重点关注的重要数据点，并且能够定义材料中哪些区域需要更详细的关注，跳过那些在3D打印过程中变化不大的部分。

设备配置

根据ASU的报道，团队将使用ASU创新中心新采购六轴机械臂和激光器—来创建大型海军螺旋桨，并将AI预测的微观结构与实际形成的内部结构进行比较。

从ASU提供的图片上来看，选择的3D打印技术可能为LMD激光送粉增材制造技术，类似视频内的技术。

不过，具体的验证方法、测试标准和成功指标，我们暂时还看不到更详细的技术路线图。

开源策略的深远考量

AM易道认为，这个项目最值得我们关注的是研究团队的开源策略。

据ASU报道，他们计划将软件和工具免费提供，帮助其他领域的研究人员加速自己的仿真工作。

当然，开源的具体范围、时间表和技术细节，目前的公开信息还比较有限。

写在最后

从60天到几小时的仿真时间压缩，听起来确实很有吸引力。

当过程工艺控制遇上算法优化，这种结合确实可能带来新的突破。

但我们也要看到，基于目前ASU提供的信息，很多关键问题还没有答案：

AI预测的准确度如何？实际的计算加速比例是多少？工业级应用还需要多长时间？这些问题的答案，或许需要等待更多的研究成果和同行评议。

#AI金属打印  #物理信息AI  #增材制造 #LMD #DED #金属3D打印  #材料科学  #仿真优化 #NSF