深度学习在金属增材制造中的最佳实践及研究空白

在上期谷·专栏中，3D科学谷分享了综述文章《A review of deep learning in metal additive manufacturing: impact on process, structure, and properties》中有关的论述。本期谷·专栏将分享该综述文章所谈的深度学习所需的计算资源、数据集、最佳实践及目前研究空白等话题。

“3D Science Valley 白皮书 图文解析

计算资源和数据需求

在增材制造（AM）中应用深度学习（DL）需要大量的计算资源和广泛的数据集，以处理制造过程的复杂性和深度学习模型的精细性。高性能计算基础设施，包括强大的图形处理单元（GPU）或高性能计算（HPC）集群，对于训练和部署复杂的模型，如卷积神经网络（CNN）和生成对抗网络（GAN），是必不可少的。这些模型通常处理来自不同来源的大量数据，包括图像、点云和传感器读数，因此需要强大的数据管理系统和高效的预处理管道。实时处理能力对于原位缺陷检测和质量控制等应用至关重要，在这些应用中，低延迟分析能够显著提高生产效率和产品质量。计算基础设施的可扩展性同样至关重要，以容纳不断增长的数据集和日益复杂的模型。

大规模且多样化的数据集对于在增材制造中训练有效的深度学习模型至关重要。这些数据集应涵盖制造过程中各种情境和变异，以确保模型的鲁棒性。

高质量的标注数据对于监督学习任务尤其重要，直接影响模型在缺陷分类等应用中的表现。为了应对实际数据有限的挑战，合成数据生成技术，如使用生成对抗网络（GAN）创建缺陷的真实图像，可以增加训练数据集并提高模型的泛化能力。

将深度学习集成到增材制造中具有众多好处，包括通过实时缺陷检测增强质量控制、通过数据驱动的参数调优优化制造过程、以及通过生成模型提供创新的设计解决方案。这些应用可以显著提高增材制造的产品质量、资源利用率和设计能力。然而，成功在增材制造中实施深度学习依赖于克服与数据获取、模型训练以及在制造环境中实时部署相关的挑战。本节回顾了最近的进展。

1. 物理信息深度学习

物理信息深度学习（PIDL）将物理定律，通常表示为偏微分方程（PDE），集成到深度神经网络（DNN）的架构中。这种方法使得神经网络能够同时解决正向问题和反向问题，同时确保解决方案遵循系统的基本物理原理。通过嵌入这些物理约束，PIDL模型可以在数据有限的情况下实现更准确和可靠的预测，这使得它们在增材制造（AM）的各种应用中尤为有用。PIDL的一个重要应用是在弹性成像学中，它被用于重建材料特性，如杨氏模量和泊松比。它展示了PIDL在表征材料特性方面的潜力，这是确保增材制造零件质量和性能的关键。PIDL还在解决残余应力和微观结构特征相关的挑战方面显示出前景。通过将基于物理的知识融入到深度学习模型中，研究人员可以更好地预测和减轻增材制造过程中应力集中、各向异性和缺陷的影响。这可以提高增材制造零件的疲劳强度和断裂强度，从而解决当前增材制造技术的一个关键局限。

PIDL已应用于L-PBF（图38），用于预测熔池尺寸。采用多层感知机（MLP）模型预测工艺参数与熔池尺寸之间的双向关系。尽管该深度学习模型没有直接嵌入物理定律，但它通过使用各种数据进行训练，间接地捕捉了热传导和熔池形成的原理。在正向预测中，MLP模型使用工艺参数来预测熔池尺寸。在反向预测中，模型则根据给定的熔池尺寸预测工艺参数。在反向预测中，模型的输入是熔池尺寸，而输出是激光功率或扫描速度。

图39显示了正向预测的结果。图中显示了目标熔池宽度和深度与预测值的比较。目标熔池宽度代表了通过机制建模获得的源数据。预测的熔池宽度和深度是基于相同工艺条件下的MLP模型的结果。这些数据点和颜色等高线图显示了目标和预测熔池尺寸的近似值。

在L-PBF中，PIDL还被用于预测温度场和热历史，即使在数据有限的情况下。图40展示了使用PIDL预测温度场的结果，捕捉了热传导背后的物理过程。使用机制模型OpenFOAM对PIDL框架的预测结果进行了验证。OpenFOAM是一个优化的偏微分方程求解器，采用有限体积方法。预测误差小于5%，这表明使用PIDL对温度场的预测快速且准确。这样的温度场预测在增材制造中尤为宝贵，因为数据收集往往具有挑战性且成本高昂。受迭代热模型方程启发，架构驱动的物理信息深度学习（APIDL）方法在预测L-PBF过程中的温度分布时，表现出比传统机器学习方法更优的性能。这一能力对于理解和控制增材制造过程中复杂的热现象至关重要，直接影响打印部件的质量。

通过弥合数据驱动方法和基于物理的建模之间的差距，物理信息深度学习（PIDL）为推动先进增材制造技术的发展提供了一个强大的框架，并扩展了其在航空航天、汽车和医疗设备等各个行业的应用。将PIDL与增材制造过程集成不仅增强了现有技术的能力，还为设计、材料和制造工艺的创新铺平了道路，最终有助于实现更高效、可持续和高性能的产品。

2. 量子计算和大数据分析的需求

量子计算是一个新兴领域，它利用量子力学的原理，以与经典计算完全不同的方式处理信息。与经典比特（代表数据为0或1）不同，量子比特（qubit）可以由于叠加态而同时存在于多个状态中。这使得量子计算机能够以前所未有的速度执行复杂的计算，从而非常适合解决当前经典计算机无法处理的复杂问题。表9总结了目前可用的量子计算机及其部分应用。

量子计算对于增材制造（AM）特别有前景。例如，量子算法可以优化设计和材料使用，从而制造出更坚固和更轻的组件。量子计算可以增强AM过程的安全性，这对于在国防和医疗等敏感行业中越来越广泛应用的技术至关重要。然而，量子机器学习（ML）和深度学习（DL）应用是增材制造领域最具前景的方向。量子机器学习技术，如量子神经网络和量子森林算法，在预测表面粗糙度方面表现优于经典方法，从而确保更高的质量控制并减少材料浪费。量子计算还可以显著提升深度学习应用，通过更快、更高效地处理复杂数据集，潜在地提高实时质量评估的准确性和速度，从而更精确可靠地生产具有优化材料性能和减少废料的复杂组件。然而，在这一领域还需要进一步的研究，以开发和测试量子深度学习方法，解决增材制造中的各种问题。

增材制造需要大数据分析来增强工艺优化、质量控制和决策能力。对于深度学习应用，大数据分析使得能够处理和分析增材制造生命周期中生成的大量多模态数据。这些数据涵盖了材料设计、零件设计、仿真、打印、后处理和检查阶段，为制造过程提供了全面的视图。表10提供了增材制造中大数据的部分例子。深度学习算法可以利用这些大量的数据来改善增材制造的各个方面。例如，深度学习可以用于优化新型增材材料的工艺参数，使材料科学家在没有广泛手动实验的情况下微调制造过程。此外，深度学习模型可以分析打印过程中实时传感器数据，检测异常并预测潜在缺陷，从而实现主动质量控制措施。

将大数据分析和深度学习集成到增材制造中，还促进了更准确的零件性能和可靠性的预测模型的发展。通过分析成功和失败打印的历史数据，这些模型可以为设计决策提供信息，并提高一次成型率。此外，深度学习算法还可以用于优化零件拓扑结构，减少材料使用并增强结构完整性。然而，在增材制造中实施大数据分析和深度学习仍面临挑战。这些挑战包括需要强大的数据采集和存储系统，以及开发联邦学习方法来处理分布式数据源。此外，确保数据的质量和可靠性对于深度学习模型在增材制造应用中的有效性至关重要。

3. 深度学习数据生成

应用深度学习（DL）算法需要高质量的数据集。这些数据必须是准确的（没有错误或在合理的误差范围内）、跨不同来源一致的、可靠的、可重复的、可再现的、最新的、有效的，并且完整的，且没有缺失重要信息。高质量数据必须在用于训练、验证和测试深度学习算法之前进行准确标注。这个过程对于正确理解增材制造（AM）过程并指导有效的问题解决策略至关重要。获取高质量数据需要相当大的努力和细致的验证。例如，实验测试必须是可重复和可再现的，以确保收集或监测数据的准确性和可靠性。新开发的增材制造过程模拟模型通常通过在相同工艺条件下获得的实验数据进行测试，或者与其他经过严格验证的模型进行比较，然后再应用于研究调查。此外，通过CAD或其他方法生成的数字数据通常需要通过相应的实验或基于模拟的方法进行验证。经过处理、提取和深度学习算法学习后，从高质量数据中获得的洞察可以显著提高对增材制造过程的理解，并有助于增材制造领域的进展。

对于增材制造中的深度学习而言，高质量数据的生成非常重要，因为行业正在努力提高工艺控制、质量评估和零件优化。深度学习在AM过程中的应用具有显著的潜力，可以提升生产效率和产品质量，但也带来了独特的数据获取和管理挑战。应用深度学习于增材制造的主要挑战之一是缺乏大规模的高质量数据集。传统的制造工艺通常有大量的历史数据。然而，增材制造作为一项相对较新的技术，缺乏这样的全面数据集。研究人员和行业专业人士正在探索各种数据生成和扩增方法来解决这一问题。表11提供了增材制造中可用数据集的部分示例。合成数据生成已经成为克服增材制造中实际数据收集局限性的一种有前景的方法。例如，研究人员开发了用于增材制造中缺陷检测的合成图像生成方法。该方法结合物理渲染技术与生成对抗网络（GAN），生成逼真的图像，用于训练深度学习模型。合成数据扩增了现有数据集，并帮助创建更强大的模型，能够在实际场景中检测缺陷。

另一种创新的数据生成方法是使用物理信息深度学习（PIDL）模型。这些模型将热物理领域的知识融入神经网络架构中，从而在数据有限的情况下实现更准确的预测。例如，一项关于L-PBF增材制造的研究提出了一种APIDL结构，该结构在预测热历史方面表现优于传统的机器学习算法，即使在数据有限的情况下也能保持较好的性能。基于模拟的数据生成方法也在增材制造领域获得了关注。研究人员已经利用蒙特卡罗模拟生成深度神经网络（DNN）的训练数据，如在估算3D打印皮肤材料的墨层布局方面的研究所示。这种方法可以创建大量数据集，捕捉工艺参数和材料性能之间的复杂关系，而无需耗时且昂贵的物理实验。

在增材制造中用于深度学习的数据的质量和类型是影响模型性能的关键因素。研究人员在生成或收集数据时必须仔细考虑这些方面，以确保开发准确可靠的深度学习模型。随着增材制造领域的不断发展，集成实时数据收集和分析变得愈发重要。已经开发了基于点云数据的实时质量评估和控制的深度学习解决方案，能够对增材制造过程进行持续监控和调整。这些进展展示了深度学习在增材制造中的质量控制革命潜力，推动了朝着完全自动化和自适应制造系统的方向发展。

4. 使用小数据集的深度学习

在增材制造（AM）中应用深度学习（DL）的一大挑战是缺乏大规模的数据集，而大数据集通常是训练深度学习模型所需的。然而，最近的研究表明，通过采用创新的技术和方法，即使是使用小数据集，也可以开发出有效的深度学习模型。关键策略之一是构建低维度、准确的描述符，以捕捉数据的基本特征。例如，在一项分析通过喷墨打印增材制造（AM）生产的超塑性材料的研究中，研究人员成功地使用了一个包含483个观察数据的小数据集，并开发了卷积双向长短期记忆（BiLSTM）模型。该模型利用时空特征提取，最大化了从有限数据中获得的信息，达到了高精度的预测。

一个新兴的深度学习领域是少样本学习（few-shot learning）。这些算法通过从多种任务中学习通用模式和特征，使其能够在只有少量示例和数据的情况下快速适应新任务。通过利用从先前相关任务中获得的知识，模型可以仅通过几个标注示例就推广到新的任务。例如，刘等人使用少样本学习进行超材料的生成设计，并使用立体光刻增材制造（SLA）打印零件。该模型使用超材料单元格图案进行训练，使其能够在小数据集上提供准确的结果。迁移学习是另一种新的方法，其中一个产品/过程的模型可以被重新用于另一个产品/过程，减少了对新训练数据集的需求。例如，图41展示了基于问题复杂性的卷积神经网络（CNN）在迁移学习中的不同策略。整个网络从保存的权重开始训练新任务，并重新训练卷积层和分类层（图41（a））。对于比原始任务更复杂的任务，分类层和部分卷积层的权重被重新训练，而其他权重被重新使用（图41（b））。对于相似任务，仅重新训练分类层，卷积权重完全重新使用（图41（c））。Pandiyan等人使用这种方法来监控L-PBF过程并识别缺陷。模型最初是为不锈钢316L训练的，然后迁移到青铜上，用于预测相似的缺陷。迁移学习在增材制造中用于零件几何控制、异常和缺陷检测、拓扑优化（TO）以及熔池几何预测。

克服小数据集限制的另一种方法是将经典机器学习（ML）技术与深度学习模型结合。例如，在国家级阿拉伯方言识别的背景下，研究人员将支持向量机（SVM）与基于词典的特征和点对点互信息值结合。这种混合方法丰富了特征空间，增强了模型在小数据集上的性能。尽管这种方法未在增材制造中使用，但这种集成方法有可能解决小数据集的问题。

最后，神经网络架构的进展使得在深度学习中使用小数据集成为可能。例如，卷积神经网络（CNN）已被改编为在荧光显微镜中执行超分辨率任务，使用小数据集。这些网络可以通过高效捕捉和处理高维数据，从有限的训练数据中生成高质量的输出。这个原理可以应用于增材制造任务，例如实时质量评估和控制，其中点云数据监控并改善制造过程。

增材制造中的深度学习最佳实践

前面的章节表明，由于深度学习（DL）能够通过分析传感器数据识别模式、检测异常和进行数据驱动的预测，它在增材制造（AM）中越来越得到应用。然而，使用大量数据和复杂算法也带来了若干挑战和局限性，需要通过采取不同的预防措施来克服。本节总结了在增材制造中应用深度学习的若干最佳实践。

1. 深度学习算法选择

选择适合的深度学习算法来解决增材制造问题应基于任务的性质、可用数据和预期结果来决定。图42以示意图的方式解释了这一过程。首先定义任务并获取必要的训练数据。一旦数据获取完成，如果任务是监督学习，则会形成测试集。接下来，需要确定是否有足够的数据供深度学习使用。如果没有，用户需要收集更多数据。如果数据充足，选择过程将根据数据的性质分为三个主要类别：大规模监督数据、大规模无监督数据和小规模数据，如下所述。

对于大规模监督数据，如果数据由简单的向量组成，建议使用多层感知机（MLP）。如果存在实体之间的连接，推荐使用图卷积网络（GCN）。对于空间或图像数据，更适合使用2D/3D卷积神经网络（CNN）。对于序列数据，当处理短上下文长度时，建议使用循环神经网络（RNN）或1D卷积神经网络（CNN），而对于长上下文长度，建议使用Transformer架构。

对于大规模无监督数据，如果目标是从数据中学习高质量的表示以用于其他下游任务，可以使用无监督表示学习算法，如自编码器（Autoencoders）。生成对抗网络（GAN）适合生成新的数据分布。如果任务涉及决策过程，可以使用策略学习方法，如马尔科夫决策过程（MDP）、蒙特卡洛搜索或深度Q学习（DQN）。

对于小规模数据，如果任务涉及预测类别或值（即监督学习），流程图建议先可视化数据，以确定是否适合进行降维或回归方法。如果任务涉及类别预测且有标记数据，可以使用支持向量机（SVM）、随机森林或梯度提升方法。如果数据没有标记，建议使用聚类技术。

该图表作为一个有价值的工具，帮助导航复杂的深度学习算法领域，提供了一种系统的方法，基于问题类型和特定类型数据（如增材制造实验、建模和表征数据）来选择适当的深度学习模型。

2. 数据集的适用性

训练数据可以从各种来源生成或收集，例如使用传感器（红外和光学相机、温度计、声学传感器、X射线、热电偶）进行的原位测量数据，以及实验样品的测试数据（轨迹宽度和深度、表面粗糙度、硬度、微观结构、屈服强度、抗拉强度、残余应力、变形、球化、孔隙率、缺乏熔合、开裂和飞溅。此外，温度和速度场的机制建模结果有时也可以使用。由于深度学习模型是数据驱动的，数据的质量和数量对训练模型至关重要。只有具有领域知识的人才能决定哪些数据类型适合用于训练深度学习模型。在选择了数据类型和深度学习模型类型后，还需要特别注意数据的准确性和完整性，以反映增材制造变量范围、合金成分以及多维增材制造参数空间中训练数据的均匀性。还需要进行适当的数据清洗以去除异常值，并通过潜在的数据增强来改善增材制造参数的表示。

所有数据驱动的模型提供参数的值和趋势，但并未提供任何深入的见解。解释输出的任务需要严格的人类质量检查和监督。以下是检查结果是否合理的几种实用方法。一种广泛使用的技术是交叉验证，它适用于除深度学习之外的机器学习模型，并且不需要领域知识。交叉验证将整个数据集划分为多个部分，使用一个部分进行训练，另一个部分进行验证。然后，交换这些部分进行训练和验证，使用不同的数据部分，并检查输出的方差，以确保使用不同数据部分时，结果不会显著变化。有时，故意向图像中添加少量噪声或进行微小的变化，并观察输出的变化，可以揭示模型是否按预期运行。领域专家还可以通过测试已知深度学习模型的结果，以检查输入数据变化对输出趋势的响应，提供定性验证。在适当情况下，领域专家还可以将深度学习模型的结果与现有文献进行比较。这些实践将使深度学习模型能够识别改进的领域，有效减少缺陷并提高增材制造零件的质量。

3. 限制

尽管深度学习模型是通过大量高质量的数据进行训练的，但理解它们的局限性对于正确使用它们至关重要。表12总结了深度学习的一些限制以及克服这些限制的潜在解决方案。

例如，考虑使用深度学习进行自动化检查，以避免在增材制造过程中通过分层图像检测裂缝和缺陷。由于深度学习模型的结果是特定于所使用的训练数据的，并且训练数据的微小变化在某些情况下可能导致结果发生显著变化，因此这些模型的适用性可能非常有限。这意味着，针对特定合金开发的深度学习模型可能无法用于其他几乎相同成分的合金。由于合金元素会影响合金的开裂敏感性，因此为一种合金开发的深度学习模型可能无法用于预测类似合金的开裂。然而，更换合金并非唯一需要重新训练模型的情况。当故障传感器被替换为接收不同波长辐射数据的更新型号时，深度学习模型必须重新训练。主要的观点是，深度学习模型的性能主要依赖于训练数据，任何训练数据集的变化都需要一个新的模型。

“3D Science Valley 白皮书 图文解析

当前研究空白

深度学习（DL）在增材制造（AM）过程中的应用已展示出其优势，包括零件设计、合金设计、原位监测数据分析、工艺参数优化、微观结构和性能提升、减少缺陷形成、最小化残余应力和变形等复杂问题的解决。为了有效利用深度学习推动增材制造技术发展，解决当前的研究空白至关重要。这些空白包括：（1）对增材制造过程的理解不足，（2）获取高质量数据集的挑战，（3）提高计算效率的困难，（4）深度学习模型的可解释性和不确定性量化，（5）深度学习在实时实施中的不足。

1. 增材制造过程理解不足

理解增材制造过程需要跨学科的方法，结合冶金学、材料科学、力学、工程学、数据分析等领域的知识。增材制造过程的固有复杂性，包括能量和物质的传输以及从固体到液体再到气体的相变，导致了我们科学理解的空白。诸如缺陷形成和演化、微观结构变化以及变形等瞬态现象，仍然没有完全被理解。这种不足的理解可能会阻碍高质量数据集的收集，而这些数据集对于深度学习分析至关重要，可能会增加与实验数据和模拟数据收集相关的成本。

此外，由于当前对增材制造过程的理解有限，数据集和瞬态现象之间的复杂相互作用也很难解开。彻底理解这些过程对推动增材制造技术至关重要。这能让研究人员收集与深度学习相关的数据集，做出更准确的预测，并揭示增材制造过程中驱动复杂现象的基本科学机制。此外，增材制造的更好理解还可以推动可打印材料设计的创新，并扩展增材制造的应用。

2. 克服获取高质量数据集的挑战

深度学习技术擅长分析与增材制造过程相关的各种数据集。这些数据集可以根据维度和来源进行分类。涉及三种数据维度：一维（1D）、二维（2D）和三维（3D）数据。除了维度分类外，数据还可以按来源分类：（1）原位监测数据：包括来自高速相机、红外相机、温度计、声学传感器、同步辐射X射线、热电偶等监测仪器的实时观测数据。（2）样品测试数据：包括来自打印样品的经验测量数据，如沉积轨迹宽度和深度、表面粗糙度、硬度、微观结构（通过扫描电子显微镜（SEM）、电子束衍射（EBSD）测试）、屈服强度、抗拉强度、残余应力、变形、球化、孔隙率、缺乏熔合、开裂、飞溅等测试数据。（3）数字数据：包括通过有限元（FE）或有限差分方法计算的温度和速度场的模拟数据、用于材料和零件设计的CAD生成数据以及其他类型的数字数据。

在这三种数据类型中，原位监测数据的分辨率主要受实验设置和传感器、监测设备的能力和分辨率的影响。样品测试数据的分辨率、准确性和误差范围取决于测试设备和科学家的专业知识。准确、可靠、可重复的原位监测数据和样品测试数据需要特别注意测量误差和适当的测试规模。测试和记录的图像质量和分辨率会显著影响图像处理和分析的准确性，如图像分割和三维结构重建。对于数字数据，其质量主要受计算效率、硬件能力和模拟准确性的影响。为了实现深度学习模型的最佳性能，高质量的大数据集是至关重要的。然而，获取高分辨率的原位监测数据、可靠的样品测试数据和准确的数字数据（包括模拟数据）显著影响了深度学习在增材制造过程中的性能和预测。解决这些挑战需要整合高质量的过程监控和样品表征技术，结合科学家的知识和成本效益模型，同时确保及时和准确的增材制造过程模拟。

3. 提高计算效率的挑战

管理大数据量和复杂的深度学习模型是具有挑战性的。一旦生成高质量的大数据集，数据预处理、分析、深度学习算法的训练、验证和测试的计算效率变得至关重要。例如，一些高速相机每秒可以捕捉10万帧并生成成千上万像素的图像，这使得手动分析数百万张图像变得不切实际。因此，数据预处理和分析已经变得计算密集，通常需要强大的计算机和长时间的处理时间。

此外，深度学习模型的复杂性加剧了计算挑战。例如，卷积神经网络（CNN）涉及多个层次（包括输入层、卷积层、池化层、丢弃层、全连接层和分类或回归层），以及各种滤波器、激活函数、学习率、权重、偏置和其他超参数。随着复杂性和迭代次数（或周期数）的增加，对计算资源的需求也增加。

深度学习模型中的结构和超参数也取决于数据集。一旦训练数据集发生变化，深度学习模型就必须重新训练、验证和测试。

为了在增材制造中有效应用深度学习，同时保持计算效率，建议从小数据集和简单的深度学习模型开始。此外，利用高性能计算资源对于管理大数据集至关重要。

4. 深度学习模型的可解释性和不确定性量化

理解深度学习（DL）模型的可解释性涉及理解模型的复杂性和行为（例如，这些模型是如何做出决策的），评估可解释性方法、特定领域的考虑（例如，DL预测的输出与增材制造（AM）原理的对齐方式），以及持续学习和适应。首先，理解DL模型的复杂性和行为，包括架构、特征层次和不同模型能够解决的主要任务。 例如，应用卷积神经网络（CNN）来发现输入和输出之间隐藏的相关性是一个判别性深度学习任务。理解CNN架构（包括多个层次和超参数）、数据处理、特征提取和层次特征表示有助于解释特征如何贡献于预测。此外，可信度、一致性和透明度是评估可解释性方法的三个重要指标。尽管深度学习模型的性能和预测结果在不同数据集之间可能会有显著差异，但确保一致性至关重要，以便模型能够为相似的输入提供稳定和可靠的解释。除了一致性之外，透明度还涉及评估可解释性方法是否提供与增材制造知识对齐的清晰、易理解的解释。此外，可信度用于判断可解释性方法是否准确反映了模型的决策过程。此外，持续学习和升级可解释性方法和工具也是至关重要的。由于这些方法和工具的快速发展，需要定期对其进行测试、验证和更新，以确保其对深度学习模型和不同类型的数据集的有效性。

不确定性量化对于深度学习模型至关重要，因为有两种主要类型的不确定性：模型预测不确定性和未知的物理参数。这些不确定性会显著影响深度学习模型的预测精度和可靠性。首先，模型预测的不确定性来源于深度学习模型的固有限制，例如过拟合、有限的训练数据和增材制造过程的复杂性。这些不确定性可能导致预测不准确，影响制造零件的质量和性能。通过量化这些不确定性，研究人员可以更好地理解模型预测的置信度，并做出知情决策以提高模型的准确性和效率。为此，深度学习输出需要通过领域专家进行分析，以提供有关模型性能的反馈，这些反馈随后用于量化模型的不确定性。

其次，增材制造过程和材料特性相关的未知物理参数增加了另一层不确定性。例如，在激光粉末床熔化（LPBF）中，激光束在粉末颗粒之间的多次反射会吸收热量。因此，粉末床的吸收率是一个不确定参数。这些不确定参数还包括激光束分布因子和液态金属的热物理性质，如粘度、热导率和表面张力。例如，对于LPBF，粉末床的有效热物理性质受到固体粉末的属性、保护气体的性质和粉末床的填充密度的影响。这些参数通常很难直接测量，并且由于工艺条件的变化或合金属性的不一致，可能会有显著变化。因此，量化这些不确定参数需要在不同的处理条件下进行多次实验，并用这些数据校准深度学习的预测。此外，不确定性量化通过用实验数据校准输出，帮助识别和量化这些未知因素，从而精炼模型并减少预测误差。不确定性量化的概念正在迅速发展，图示43方式表示了这一核心思想。这将导致更可靠、更强大的增材制造过程，最终提高最终产品的质量。

5. 实时实施的困难

深度学习（DL）模型需要与增材制造（AM）系统的实时监控、控制和反馈相结合。将DL模型与AM硬件和软件系统连接可能非常复杂。先进的控制系统对于确保模型的预测或决策在制造过程中得到准确实施至关重要。为了减少这些延迟，数据处理和处理的效率是关键。首先，实时系统必须以最小延迟处理传入的数据。高分辨率传感器和相机可以快速生成大量数据，这要求高效的数据处理以避免延迟。此外，使用DL技术收集、预处理和分析数据所需的时间可能会引入延迟，而这在实时应用中至关重要。需要高效的数据处理和处理来最小化延迟。此外，所应用的DL模型需要具有高度的准确性和鲁棒性，以应对增材制造过程中的可变性和不可预测性。确保模型在各种不同条件下都能可靠地执行，对于实时应用中的有效性至关重要。增材制造机器或集成系统上可用的计算资源可能不足以应对实时DL的需求。通常需要专用硬件，如GPU或TPU，来高效处理。实时系统需要持续监控和优化，并且来自实际应用的定期反馈对于不断改进模型性能和系统集成至关重要。DL和AM技术必须定期升级，以优化结果。

展望

增材制造（AM）现在能够生产以前认为不切实际的复杂金属部件。然而，目前打印部件的数量相对较少，且由于质量一致性差、生产效率低和成本竞争力问题，目前只有少数合金可以被打印。

前面几节展示了深度学习（DL）在解决增材制造中许多基础科学、技术和经济问题中的潜力，这些问题是导致这些困难的根源。尽管关于DL在增材制造中的研究量迅速增加，但DL在AM行业的应用仍处于初期阶段。

当前，DL在增材制造行业的应用主要集中在四个方面。

首先，基于DL的生成设计是一种为增材制造创建新部件设计的新概念。与传统的人为设计迭代不同，DL算法输入一组功能需求、材料约束和制造工艺，然后自主探索一个庞大的设计空间，生成众多最优几何解决方案，这些解决方案通常展现出独特的复杂性和效率。例如，Autodesk和Desktop Metal都在使用生成设计来进行AM。

第二，DL用于拓扑优化，通过有效确定给定设计空间内的最佳材料分布，在特定负载和边界条件下最大化机械性能的同时最小化材料使用。

第三，DL实现了潜在新合金、聚合物或复合材料的高通量筛选，减少了传统实验材料开发所需的时间和成本，并为特定AM应用提供了优化特性的材料。

最后，在过程监控中，DL利用来自原位传感器（例如相机、红外温度计、声学传感器）实时观察和分析增材制造过程。深度神经网络被训练来实时识别异常、缺陷（如孔隙度或裂纹）以及与最佳打印条件的偏差。例如，EOS金属材料和Electro Optical Systems Finland使用CNN在LPBF过程中检测缺陷。

随着红外、光学和声学图像传感器在减少缺陷和提高质量中的广泛应用，将DL应用于增材制造具有巨大的前景。然而，这些传感器的数据质量各异，影响了DL模型的可靠性。通过集成多种传感器模式，如光学、红外和声学传感器，可以利用数据冗余进行交叉验证，从而提高收集信息的准确性。

此外，DL模型结果的可解释性需要改进，因为复杂的神经网络在如何得出结果方面缺乏透明度，而这对于改善AM过程至关重要。为了增强可解释性，应将可解释人工智能方法纳入DL模型中，以提供决策过程的见解。高效的数据预处理和实时数据过滤可以最小化计算开销，同时保留模型训练所需的关键信息。边缘计算解决方案可以集成到AM系统中，以本地处理数据，减少延迟和大量数据存储与传输的需求。

最后，DL模型需要大量数据进行训练，处理大量数据在某些情况下可能会成为挑战，因为在增材制造环境中收集、保存和建模这些数据的成本很高。SSL（自监督学习）方法可以帮助减少对大量标注数据集的需求，从而减少与数据收集和标注相关的开销。

将DL模型与基于物理的机制模型相结合将增强可解释性，同时利用数据驱动方法和机制方法的优势。然而，关于开发增材制造物理信息深度学习模型的工作才刚刚开始。现有的关于DL模型在AM中的文献主要集中在检测缺陷和评估打印部件的质量。大型增材制造模型计算密集、速度慢，并集中在改善对过程和产品的理解。虽然合成数据驱动的理解与机制理解的优势显而易见，但这一工作面临显著的计算挑战。结合数据驱动方法与基于物理的仿真模型的混合建模方法可以提高预测准确性，同时减少对大量数据集的依赖。应探索降阶建模技术，以加速计算开销大的仿真，使其更适合实时应用。此外，迁移学习可以用来利用相关制造过程的见解，减少在新的AM环境中对大量训练数据的需求。高效的并行计算策略，如GPU和张量处理单元（TPU），可以帮助管理大规模模型的计算需求。传感器技术（光学、红外和声学）和数据预处理技术的持续进步正在帮助提高数据质量和可靠性。传感器的改进将受到市场需求的推动，而这些需求将与解决AM科学、技术和商业问题的能力密切相关。

总之，尽管存在数据质量、可解释性、数据量和将AM过程物理整合到DL中的问题，DL在增材制造中的应用前景仍然乐观。然而，目前DL应用尚未达到可以集成到商业增材制造机器中的阶段。持续的研究和开发努力对于充分发挥其在提高产品质量、优化过程和推动增材制造技术能力方面的潜力至关重要。

来源：筑基手册

3D科学谷聚焦

▌三维科学 l 无限可能

投稿丨daisylinzhu 微信

2509957133@qq.com 编辑邮箱

www.3dsciencevalley.com