Otimização da Sequência de Fabricação para Minimizar a Distorção em Manufatura Aditiva Multi-Eixo

1. Introdução

A manufatura aditiva (MA) multi-eixo, exemplificada pela Manufatura Aditiva por Arco com Arame (WAAM) robótica, introduz flexibilidade de fabricação ao permitir a reorientação do cabeçote de impressão ou do componente. Isso quebra a restrição de deposição planar de camadas inerente à MA convencional. No entanto, a MA de metais envolve gradientes térmicos significativos e transformações de fase, levando a expansão/contração térmica desigual e consequente distorção, o que impacta criticamente a precisão dimensional e o desempenho estrutural para montagem.

Otimizar a sequência de fabricação — a ordem na qual o material é depositado — apresenta uma nova via para mitigar essa distorção. O desafio reside em representar a sequência como variáveis de otimização diferenciáveis adequadas para métodos baseados em gradiente. Este trabalho aborda isso propondo uma estrutura computacional para otimização da sequência de fabricação visando minimizar a distorção.

2. Metodologia

2.1 Codificação do Campo de Pseudo-Tempo

O núcleo da estrutura é a representação da sequência de fabricação. Cada ponto material x no domínio do componente Ω recebe um escalar pseudo-tempo $T(x)$. O processo de fabricação é modelado como a materialização sequencial de pontos de acordo com este campo: um ponto com um $T$ menor é depositado antes de um ponto com um $T$ maior. Isso transforma a otimização de sequência discreta em um problema de otimização de campo contínuo.

2.2 Modelagem da Distorção

Um modelo simplificado, mas fisicamente representativo, é usado para prever a distorção. Ele imita o método da deformação inerente, onde cada novo elemento de material depositado experimenta uma deformação de contração prescrita (ex., contração térmica) ao resfriar. A distorção acumulada $\mathbf{u}$ é calculada resolvendo as equações de equilíbrio da elasticidade linear em todo o domínio, considerando os campos de deformação dependentes do histórico.

2.3 Otimização Baseada em Gradiente

O objetivo é minimizar uma medida da distorção final, por exemplo, a conformidade do campo de distorção ou seu deslocamento máximo. A variável de projeto é o campo de pseudo-tempo $T(x)$. O gradiente do objetivo em relação a $T(x)$ é calculado usando o método adjunto, permitindo uma otimização em larga escala eficiente. Restrições garantem que o campo de tempo seja monotônico para representar uma sequência de deposição válida e não reversível.

3. Estudos Numéricos & Resultados

3.1 Caso de Referência: Viga em Balanço

A estrutura foi testada em uma geometria de viga em balanço 3D. O caso de referência usou camadas planas verticais convencionais. O algoritmo de otimização foi então incumbido de encontrar um campo de pseudo-tempo que minimizasse a deflexão vertical na extremidade livre da viga devido à contração induzida pela deposição.

3.2 Comparação: Camadas Planas vs. Curvas

O estudo comparou visual e quantitativamente os campos de distorção. A sequência de camadas planas levou a um efeito de flexão cumulativo previsível. Em contraste, a sequência otimizada de camadas curvas "equilibrou" estrategicamente as deformações de contração por todo o volume, frequentemente depositando material de forma a induzir distorções contrárias, resultando em uma peça final quase na forma líquida.

4. Análise Técnica & Estrutura

4.1 Formulação Matemática

O problema de otimização pode ser resumido como: $$ \begin{aligned} \min_{T} \quad & J(\mathbf{u}) = \int_{\Omega} \mathbf{u} \cdot \mathbf{u} \, d\Omega \\ \text{s.t.} \quad & \nabla \cdot \boldsymbol{\sigma} + \mathbf{b} = \mathbf{0} \quad \text{em } \Omega \\ & \boldsymbol{\sigma} = \mathbf{C} : (\boldsymbol{\epsilon} - \boldsymbol{\epsilon}^{sh}(T)) \\ & \boldsymbol{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + \nabla \mathbf{u}^T) \\ & T_{\min} \leq T(x) \leq T_{\max}, \quad \nabla T \cdot \mathbf{n} \geq 0 \, (\text{monotonicidade}) \end{aligned} $$ Onde $J$ é o objetivo de distorção, $\boldsymbol{\epsilon}^{sh}(T)$ é a deformação de contração dependente do pseudo-tempo, e a restrição de monotonicidade garante uma ordem de deposição viável.

4.2 Exemplo da Estrutura de Análise

Cenário: Otimizar a sequência de impressão para um suporte produzido por WAAM para minimizar o empenamento para montagem subsequente.

1. Entrada: Modelo CAD 3D do suporte, parâmetros de contração do material (da calibração).
2. Discretização: Discretizar o domínio. Inicializar um campo de pseudo-tempo (ex., correspondente a camadas planas).
3. Loop de Simulação: Para o campo $T$ atual, simular a deposição sequencial e calcular o campo de distorção final $\mathbf{u}$ e o objetivo $J$.
4. Adjunto & Gradiente: Resolver a equação adjunta para calcular $\partial J / \partial T$ eficientemente.
5. Atualização: Usar um otimizador baseado em gradiente (ex., MMA, SNOPT) para atualizar o campo $T$, respeitando as restrições.
6. Saída: O campo $T$ otimizado, que é então interpretado em uma trajetória de ferramenta robótica para deposição WAAM de camadas curvas.

5. Perspectivas de Aplicação & Direções Futuras

A estrutura abre várias vias impactantes:

• Integração com Modelos Termomecânicos Completos: O modelo de contração atual é uma simplificação. Trabalhos futuros devem integrar simulações termomecânicas transientes de alta fidelidade, semelhantes aos desafios multifísicos abordados em modelos para fusão em leito de pó a laser. Isso aumenta a precisão, mas também o custo computacional, necessitando de redução da ordem do modelo.
• Planejamento de Trajetória para WAAM Robótico: O campo de pseudo-tempo otimizado deve ser traduzido em trajetórias robóticas cinematicamente viáveis e livres de colisão. Isso conecta o design computacional com a execução robótica.
• Otimização Multiobjetivo: Otimizar simultaneamente para distorção, tensão residual, tempo de construção e volume de estrutura de suporte. Isso se alinha com a otimização holística de processos vista em pesquisas avançadas de manufatura de instituições como o Oak Ridge National Laboratory.
• Substitutos por Aprendizado de Máquina: Para alcançar planejamento de sequência em tempo real ou quase real, redes neurais podem ser treinadas como substitutos para a simulação física cara, seguindo tendências estabelecidas por trabalhos como CycleGAN para tradução imagem-a-imagem, mas aplicados ao mapeamento de geometria para sequências de deposição ótimas.
• Correção de Distorção In Situ: Combinar o plano otimizado com monitoramento em processo (ex., varredura a laser) para criar um sistema de malha fechada que ajusta a sequência em tempo real com base na distorção medida.

6. Referências

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. Recuperado de 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.