بهینه‌سازی توالی ساخت برای حداقل‌سازی اعوجاج در ساخت افزایشی چندمحوره

1. مقدمه

ساخت افزایشی چندمحوره (AM)، که نمونه آن ساخت افزایشی قوس سیمی رباتیک (WAAM) است، با امکان تغییر جهت‌دهی هد چاپ یا قطعه، انعطاف‌پذیری ساخت را معرفی می‌کند. این امر محدودیت ذاتی رسوب‌گذاری لایه‌ای مسطح در AM متعارف را می‌شکند. با این حال، ساخت افزایشی فلزات شامل گرادیان‌های حرارتی قابل توجه و دگرگونی‌های فازی است که منجر به انبساط/انقباض حرارتی ناهموار و در نتیجه اعوجاج می‌شود، که تأثیر حیاتی بر دقت ابعادی و عملکرد ساختاری برای مونتاژ دارد.

بهینه‌سازی توالی ساخت — ترتیبی که ماده در آن رسوب‌گذاری می‌شود — راهی نوین برای کاهش این اعوجاج ارائه می‌دهد. چالش اصلی در نمایش توالی به عنوان متغیرهای بهینه‌سازی مشتق‌پذیر مناسب برای روش‌های مبتنی بر گرادیان است. این کار با ارائه یک چارچوب محاسباتی برای بهینه‌سازی توالی ساخت به منظور حداقل‌سازی اعوجاج، به این چالش می‌پردازد.

2. روش‌شناسی

2.1 کدگذاری میدان شبه‌زمان

هسته چارچوب، نمایش توالی ساخت است. به هر نقطه ماده x در دامنه قطعه Ω یک شبه‌زمان اسکالر $T(x)$ اختصاص داده می‌شود. فرآیند ساخت به عنوان مادی‌سازی ترتیبی نقاط بر اساس این میدان مدل می‌شود: نقطه‌ای با $T$ کوچکتر، قبل از نقطه‌ای با $T$ بزرگتر رسوب‌گذاری می‌شود. این امر بهینه‌سازی توالی گسسته را به یک مسئله بهینه‌سازی میدان پیوسته تبدیل می‌کند.

2.2 مدل‌سازی اعوجاج

یک مدل ساده‌شده اما فیزیکی نماینده برای پیش‌بینی اعوجاج استفاده می‌شود. این مدل روش کرنش ذاتی را تقلید می‌کند، که در آن هر عنصر ماده تازه رسوب‌گذاری شده، هنگام سرد شدن یک کرنش انقباض تجویز شده (مانند انقباض حرارتی) را تجربه می‌کند. اعوجاج تجمع‌یافته $\mathbf{u}$ با حل معادلات تعادل الاستیسیته خطی در کل دامنه، با در نظر گرفتن میدان‌های کرنش وابسته به تاریخچه، محاسبه می‌شود.

2.3 بهینه‌سازی مبتنی بر گرادیان

هدف، حداقل‌سازی معیاری از اعوجاج نهایی است، مانند انطباق میدان اعوجاج یا حداکثر جابجایی آن. متغیر طراحی، میدان شبه‌زمان $T(x)$ است. گرادیان هدف نسبت به $T(x)$ با استفاده از روش الحاقی محاسبه می‌شود که امکان بهینه‌سازی در مقیاس بزرگ و کارآمد را فراهم می‌کند. محدودیت‌ها اطمینان می‌دهند که میدان زمان یکنوا است تا یک توالی رسوب‌گذاری معتبر و غیرمعکوس را نشان دهد.

3. مطالعات عددی و نتایج

3.1 مطالعه پایه: تیر کنسولی

چارچوب بر روی یک هندسه تیر کنسولی سه‌بعدی آزمایش شد. حالت پایه از لایه‌های مسطح عمودی متعارف استفاده کرد. سپس از الگوریتم بهینه‌سازی خواسته شد تا یک میدان شبه‌زمان بیابد که انحراف عمودی در انتهای آزاد تیر ناشی از انقباض ناشی از رسوب‌گذاری را به حداقل برساند.

3.2 مقایسه: لایه‌های مسطح در مقابل منحنی

این مطالعه میدان‌های اعوجاج را به صورت بصری و کمی مقایسه کرد. توالی لایه‌ای مسطح منجر به یک اثر خمشی تجمعی قابل پیش‌بینی شد. در مقابل، توالی لایه‌ای منحنی بهینه‌شده به طور استراتژیک کرنش‌های انقباض را در سراسر حجم "متوازن" کرد، اغلب با رسوب‌گذاری ماده به گونه‌ای که اعوجاج‌های خنثی‌کننده ایجاد می‌کند، که منجر به یک قطعه نهایی تقریباً خالص شکل شد.

4. تحلیل فنی و چارچوب

4.1 فرمول‌بندی ریاضی

مسئله بهینه‌سازی را می‌توان به صورت زیر خلاصه کرد: $$ \begin{aligned} \min_{T} \quad & J(\mathbf{u}) = \int_{\Omega} \mathbf{u} \cdot \mathbf{u} \, d\Omega \\ \text{s.t.} \quad & \nabla \cdot \boldsymbol{\sigma} + \mathbf{b} = \mathbf{0} \quad \text{in } \Omega \\ & \boldsymbol{\sigma} = \mathbf{C} : (\boldsymbol{\epsilon} - \boldsymbol{\epsilon}^{sh}(T)) \\ & \boldsymbol{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + \nabla \mathbf{u}^T) \\ & T_{\min} \leq T(x) \leq T_{\max}, \quad \nabla T \cdot \mathbf{n} \geq 0 \, (\text{یکنوایی}) \end{aligned} $$ که در آن $J$ هدف اعوجاج است، $\boldsymbol{\epsilon}^{sh}(T)$ کرنش انقباض وابسته به شبه‌زمان است، و محدودیت یکنوایی یک ترتیب رسوب‌گذاری عملی را تضمین می‌کند.

4.2 مثال چارچوب تحلیل

سناریو: بهینه‌سازی توالی چاپ برای یک براکت تولید شده با WAAM به منظور حداقل‌سازی تاب‌خوردگی برای مونتاژ بعدی.

1. ورودی: مدل CAD سه‌بعدی براکت، پارامترهای انقباض ماده (از کالیبراسیون).
2. گسسته‌سازی: مش‌بندی دامنه. مقداردهی اولیه یک میدان شبه‌زمان (مثلاً متناظر با لایه‌های مسطح).
3. حلقه شبیه‌سازی: برای میدان $T$ فعلی، رسوب‌گذاری ترتیبی را شبیه‌سازی کرده و میدان اعوجاج نهایی $\mathbf{u}$ و هدف $J$ را محاسبه کنید.
4. الحاقی و گرادیان: معادله الحاقی را حل کنید تا $\partial J / \partial T$ را به طور کارآمد محاسبه کنید.
5. به‌روزرسانی: از یک بهینه‌ساز مبتنی بر گرادیان (مانند MMA، SNOPT) برای به‌روزرسانی میدان $T$ با رعایت محدودیت‌ها استفاده کنید.
6. خروجی: میدان $T$ بهینه‌شده، که سپس به یک مسیر ابزار ربات برای رسوب‌گذاری WAAM لایه منحنی تفسیر می‌شود.

5. چشم‌انداز کاربرد و جهت‌های آینده

این چارچوب چندین مسیر تأثیرگذار را باز می‌کند:

• ادغام با مدل‌های کامل حرارتی-مکانیکی: مدل انقباض فعلی یک ساده‌سازی است. کار آینده باید شبیه‌سازی‌های حرارتی-مکانیکی گذرا با وفاداری بالا را ادغام کند، مشابه چالش‌های چندفیزیکی که در مدل‌های ذوب بستر پودر لیزری مورد بررسی قرار می‌گیرند. این امر دقت را افزایش می‌دهد اما هزینه محاسباتی را نیز افزایش می‌دهد و نیازمند کاهش مرتبه مدل است.
• برنامه‌ریزی مسیر برای WAAM رباتیک: میدان شبه‌زمان بهینه‌شده باید به مسیرهای رباتی بدون برخورد و از نظر سینماتیکی عملی ترجمه شود. این امر طراحی محاسباتی را با اجرای رباتیک پیوند می‌دهد.
• بهینه‌سازی چندهدفه: به طور همزمان برای اعوجاج، تنش پسماند، زمان ساخت و حجم ساختارهای نگهدارنده بهینه‌سازی کنید. این امر با بهینه‌سازی فرآیند کلی که در تحقیقات ساخت پیشرفته از مؤسساتی مانند آزمایشگاه ملی اوک ریج دیده می‌شود، همسو است.
• جانشین‌های یادگیری ماشین: برای دستیابی به برنامه‌ریزی توالی در زمان واقعی یا نزدیک به واقعی، شبکه‌های عصبی می‌توانند به عنوان جانشین برای شبیه‌سازی فیزیکی پرهزینه آموزش داده شوند، با پیروی از روندهایی که توسط کارهایی مانند CycleGAN برای ترجمه تصویر به تصویر تعیین شده است، اما برای نگاشت هندسه به توالی‌های رسوب‌گذاری بهینه اعمال شود.
• تصحیح اعوجاج در حین ساخت: برنامه بهینه‌شده را با نظارت درون فرآیندی (مانند اسکن لیزری) ترکیب کنید تا یک سیستم حلقه بسته ایجاد شود که توالی را بر اساس اعوجاج اندازه‌گیری شده در زمان واقعی تنظیم کند.

6. مراجع

1. Ding, D., Pan, Z., Cuiuri, D., & Li, H. (2015). Wire-feed additive manufacturing of metal components: technologies, developments and future interests. The International Journal of Advanced Manufacturing Technology, 81(1-4), 465-481.
2. Williams, S. W., Martina, F., Addison, A. C., Ding, J., Pardal, G., & Colegrove, P. (2016). Wire+ Arc additive manufacturing. Materials Science and Technology, 32(7), 641-647.
3. Wang, W., van Keulen, F., & Wu, J. (2023). Fabrication Sequence Optimization for Minimizing Distortion in Multi-Axis Additive Manufacturing. arXiv preprint arXiv:2212.13307.
4. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232).
5. Oak Ridge National Laboratory. (2017). 3D Printed Excavator Project. Retrieved from https://www.ornl.gov/news/3d-printed-excavator-project.
6. Bendsøe, M. P., & Sigmund, O. (2003). Topology optimization: theory, methods, and applications. Springer Science & Business Media.