Avanzando la impresión 3D con redes neuronales

Crear estructuras con propiedades mecánicas específicas es un trabajo complicado. Necesitas saber cómo las decisiones de diseño afectan el rendimiento, sobre todo cuando trabajas con materiales que pueden cambiar de forma bajo presión. Esto se vuelve aún más difícil cuando las estructuras pueden deformarse de maneras que no son simples. Los métodos tradicionales manejan bien las formas simples, pero tienen problemas con los Diseños que se descomponen y cambian permanentemente cuando se les aplica mucha fuerza.

Para mejorar este proceso, estamos usando una Red Neuronal, que es un tipo de inteligencia artificial, diseñada para aprender de experimentos previos. Al entrenar esta red con un montón de datos sobre cómo responden ciertas conchas impresas en 3D a fuerzas de compresión, podemos entender la relación entre su diseño y rendimiento. Esto nos permite crear conchas que pueden soportar presiones y deformaciones específicas. Probamos algunos de los diseños que generó la red para ver si funcionan como esperábamos.

#El reto del diseño

La Fabricación Aditiva, o impresión 3D, permite crear estructuras únicas con características personalizadas. Estas estructuras pueden tener diferentes niveles de rigidez y pueden absorber energía de diferentes maneras. Sin embargo, lograr el comportamiento mecánico deseado para estas estructuras, especialmente aquellas que experimentan cambios significativos, requiere un entendimiento profundo de cómo varios factores de diseño afectan el rendimiento.

Normalmente, los diseñadores pasan por un largo proceso de hacer cambios, probar los resultados y volver a empezar si no logran lo que quieren. Este método de prueba y error puede ser caro y tomar mucho tiempo. En cambio, los investigadores están usando sistemas automatizados, conocidos como laboratorios autónomos, para acelerar la exploración de opciones de diseño. Desafortunadamente, estos sistemas pueden ser limitados por costos y complejidad.

Las técnicas de simulación comunes, como el método de elementos finitos, suelen funcionar bien para estructuras elásticas simples, pero pierden fiabilidad cuando se trata de deformaciones plásticas complejas. Se han creado nuevos métodos de simulación que se centran en la plasticidad, pero aún requieren más pruebas para confirmar su efectividad al modelar el comportamiento de conchas delgadas bajo presión.

En respuesta a estos desafíos, estamos proponiendo un método que emplea una red neuronal entrenada con datos experimentales. El objetivo es aprender cómo el diseño de conchas impresas en 3D se relaciona con su comportamiento cuando son comprimidas. Este método permite dos tipos de diseño:

1. Diseño hacia adelante: Esto predice cómo se comportará un diseño basado en parámetros conocidos.
2. Diseño inverso: Esto identifica diseños que lograrán un rendimiento deseado.

#Usando redes neuronales para el diseño

Entender cómo los diseños conducen a rendimientos específicos puede ser complicado. Cada rendimiento deseado puede ser alcanzable a través de varios diseños diferentes, lo que complica el proceso de aprendizaje. Esto es similar a otros problemas complejos en diferentes campos, como entender cómo se dispersan las olas o cómo se mueven los robots.

Para abordar esto, estamos usando una red neuronal en tándem (TNN), que combina dos redes diferentes: una para diseño hacia adelante y otra para diseño inverso. Este enfoque ha tenido éxito en otras aplicaciones, como el diseño de dispositivos ópticos especializados.

Nuestra red neuronal aprenderá de un conjunto masivo de datos de más de 12,000 conchas que muestran una variedad de comportamientos bajo compresión. Después de entrenar, probaremos una selección de los diseños para validar los resultados y ver qué tan bien funciona la red.

#Recolección de datos

Creamos un conjunto de datos completo corriendo Pruebas de Compresión en estructuras impresas en 3D llamadas conchas cilíndricas generalizadas (GCS). Cada prueba mide cómo se comportan estas conchas cuando se aplican diferentes fuerzas. Los datos recopilados incluyen curvas de fuerza-desplazamiento, que muestran cuánto se deforma una concha bajo estrés.

El conjunto de datos proporciona una amplia gama de comportamientos, ayudando a la red neuronal a aprender sobre deformaciones elastoplásticas (cambios permanentes) y hiperelásticas (cambios temporales). Al mantener toda la curva, aseguramos que los usuarios puedan enfocarse en las partes del rendimiento que son importantes para sus necesidades específicas.

Las GCS se fabrican con parámetros específicos que controlan su forma y comportamiento. Por ejemplo, algunos parámetros definen la altura, masa y grosor de las paredes de las conchas. Cada uno de estos aspectos juega un papel vital en cómo reaccionará la concha bajo compresión.

#Procesamiento de datos

Para preparar nuestro conjunto de datos para el análisis, pasamos por varias etapas para limpiar y estructurar los datos. Esto incluyó estandarizar las métricas de rendimiento extraídas de las curvas de fuerza-desplazamiento para hacerlas más manejables para nuestras predicciones.

Usamos un método llamado Análisis de Componentes Principales (PCA) para reducir la complejidad de los datos mientras capturamos características esenciales. Al transformar las mediciones de fuerza en componentes principales, pudimos enfocarnos en los aspectos más importantes del rendimiento sin perder información significativa.

También nos aseguramos de que los materiales utilizados en las conchas cumplieran con parámetros realistas. Por ejemplo, categorizamos materiales con codificación one-hot y normalizamos otros parámetros para mantenerlos dentro de rangos definidos.

#Arquitectura de la red neuronal

Para hacer predicciones precisas, la TNN debe aprender de manera efectiva las relaciones complejas entre diseño y rendimiento. La red de diseño hacia adelante crea un mapeo de los parámetros de diseño a los resultados de rendimiento, mientras que la red de diseño inverso hace lo contrario.

La TNN utiliza múltiples capas de procesamiento para aprender de manera efectiva, permitiéndole manejar la difícil tarea de mapear entre diferentes diseños y sus rendimientos asociados. Para asegurarnos de obtener salidas realistas y útiles, también aplicamos funciones de activación específicas que ayudan a refinar las predicciones.

El objetivo del proceso de entrenamiento es minimizar los errores entre las predicciones y los rendimientos reales. Al enfocarnos en los aspectos más informativos de nuestros datos y asegurarnos de que los diseños generados sean realistas, podemos lograr una mejor precisión en las predicciones hechas por nuestra red neuronal.

#Entrenamiento y evaluación

Nuestro entrenamiento involucró dividir el conjunto de datos en diferentes partes, permitiéndonos entrenar, validar y probar la TNN. El proceso de entrenamiento en dos etapas asegura que cada parte de la red aprenda de manera efectiva.

Usamos un proceso de optimización avanzado durante el entrenamiento, lo que permite que la red mejore continuamente basándose en la retroalimentación de los datos. Los experimentos iniciales mostraron que podíamos llegar a predicciones efectivas en un tiempo relativamente corto, demostrando la eficiencia de la TNN.

Una vez entrenada, evaluamos la red comparando el rendimiento predicho de los diseños con casos de prueba reales. Esta evaluación mostró que nuestro método podía predecir métricas clave como rigidez, trabajo y deformación máxima con alta precisión.

#Prueba de diseños generados

Para verificar las capacidades de nuestra TNN, fabricamos varios diseños generados y realizamos pruebas de compresión para ver qué tan bien coincidían con los resultados predichos. Este paso es crucial para validar la efectividad de la TNN en aplicaciones del mundo real.

Además de generar diseños que funcionen bien bajo presión, también evaluamos su capacidad de impresión. Asegurarse de que los diseños de las conchas se puedan fabricar sin problemas es esencial para su uso práctico.

#Aplicaciones de la TNN

Nuestra TNN se puede utilizar para varias aplicaciones en el mundo real. Por ejemplo, probamos su capacidad para crear estructuras que absorban impactos, lo cual puede ser crítico para proteger objetos frágiles durante caídas. Al optimizar el diseño para cumplir con objetivos específicos de absorción de energía, pudimos desarrollar soluciones que funcionaron eficazmente en este caso de prueba.

Además, exploramos la opción de emular las propiedades mecánicas de otros materiales. Esta capacidad permite a los usuarios crear diseños personalizados adecuados para necesidades funcionales específicas mientras optimizan factores como costo y tiempo de producción.

#Conclusión

El uso de nuestra TNN para el diseño de conchas impresas en 3D representa un gran avance en la conexión entre diseño y rendimiento de materiales. Al aprender efectivamente de datos experimentales, podemos crear estructuras que cumplen con requisitos mecánicos específicos, ya sea para amortiguar impactos o emular otros materiales.

A medida que continuamos refinando este enfoque, esperamos explorar cómo mejorar el control del usuario sobre los parámetros de diseño y mejorar las predicciones de rendimiento. Nuestro trabajo abre muchas posibilidades emocionantes para la investigación futura, especialmente en cómo los datos experimentales y las simulaciones pueden trabajar juntos para crear soluciones de diseño más efectivas.