Onderzoekers van Empa hebben een methode ontwikkeld waarbij neurale operatoren worden ingezet om complexe simulaties van laserversmelting drastisch te versnellen. De nieuwe benadering combineert hoge nauwkeurigheid met een systeem dat de volledige herkomst van de data bijhoudt.
Het simuleren van laserversmelting in drie dimensies is een rekenintensief proces. Traditionele thermo-fluïdynamische simulaties, die noodzakelijk zijn om het smeltbad en de dampdepressie (keyholes) nauwkeurig in kaart te brengen, vereisen per spoor een enorme hoeveelheid rekenkracht. Volgens een publicatie op arxiv.org kan dit variëren van één tot wel duizenden core-uren per track, wat grootschalige optimalisatie bemoeilijkt.
Inzet van neurale operatoren
Om deze computationele kosten te verlagen, hebben Alix Benoit en Elia Iseli van de Light-Matter Dynamics Group bij Empa verschillende neurale operatoren getraind, waaronder FNO, RIGNO en GAOT. Deze AI-modellen fungeren als zogenaamde 'surrogates' die in staat zijn om temperatuurvelden, de geometrie van het smeltbad en het vrije oppervlak te voorspellen.
De datasets die voor de training zijn gebruikt, zijn gegenereerd met de software FLOW-3D WELD. Deze data omvatten diverse scenario's, variërend van situaties met onvoldoende versmelting ('lack-of-fusion') tot condities waarbij keyholes ontstaan. Hierbij is gevarieerd met parameters zoals de lasersnelheid, het laservermogen, de straalvorm en de voorverwarming. Ook complexe, vrije scanpaden met variabele snelheden en het gebruik van tot vier gelijktijdige laserstralen zijn in het model opgenomen, zoals beschreven in de .
Prestaties en nauwkeurigheid
De resultaten tonen aan dat de beste architectuur zeer nauwkeurige voorspellingen doet op simulaties die niet in de trainingset voorkwamen. Voor quasi-stationaire rechte sporen bleef de relatieve temperatuurfout onder de 2 %. Bij vrije scanpaden met één straal lag deze fout onder de 4 %, en bij configuraties met twee tot vier stralen rond de 5 %.
Een cruciaal voordeel van deze AI-benadering is de snelheid. Waar traditionele simulaties dagen of weken in beslag kunnen nemen, kan een voorspelling voor een willekeurige tijdstap op een enkele GPU-setup in minder dan een seconde worden uitgevoerd, aldus de auteurs via .
Generalisatie naar verschillende materialen
Het onderzoek richtte zich aanvankelijk op het materiaal Ti-6Al-4V. De onderzoekers slaagden er echter in om het model autonoom uit te breiden naar Inconel 718 door de trainingsset te vergroten. De uitgebreide modellen behaalden een relatieve temperatuurfout van circa 3 % of minder voor beide legeringen.
Bij validatie met gepubliceerde metingen voor 20 verschillende condities van Ti-6Al-4V en Inconel 718, voorspelde het RIGNO-model de diepte van het smeltbad en de dampdepressie binnen een marge van 30 %. In vergelijking met de FLOW-3D simulaties was het gemiddelde verschil in diepte slechts 2 %, zoals vermeld in de .
Traceerbaarheid en provenance
Een essentieel onderdeel van het project is de implementatie van een AiiDA-framework. Dit systeem is bedoeld om de 'provenance' van elke simulatie, elk model en elke evaluatie op te slaan. In de context van wetenschappelijke data verwijst provenance naar de exacte herkomst of oorsprong van een object of gegeven, een definitie die ook wordt bevestigd door het cambridge.org.
Door deze traceerbaarheid kan elke gerapporteerde metriek direct worden teruggevoerd naar de specifieke solver-instellingen en modelinputs. Dit zorgt voor een transparante en reproduceerbare workflow. Volgens de onderzoekers biedt dit een schaalbaar kader dat niet alleen voor laserversmelting, maar ook voor andere rekenintensieve simulaties in diverse wetenschappelijke velden kan worden toegepast, zoals uiteengezet op .