多軸增材製造中為最小化變形而進行嘅製造序列優化

1. 引言

多軸增材製造（AM），以機械人電弧增材製造（WAAM）為例，通過允許打印頭或部件重新定向，引入咗製造靈活性。呢種做法打破咗傳統增材製造中固有嘅平面層沉積限制。然而，金屬增材製造涉及顯著嘅溫度梯度同相變，導致不均勻嘅熱膨脹/收縮以及隨之而來嘅變形，呢啲變形對組裝嘅尺寸精度同結構性能有至關重要嘅影響。

優化製造序列——即材料沉積嘅順序——提供咗一條減輕呢種變形嘅新途徑。挑戰在於將序列表示為適合基於梯度方法嘅可微分優化變量。本研究通過提出一個用於最小化變形嘅製造序列優化計算框架來解決呢個問題。

2. 方法論

2.1 偽時間場編碼

框架嘅核心係製造序列嘅表示。部件域Ω中嘅每個材料點x都被分配一個標量偽時間 $T(x)$。製造過程被建模為根據呢個場順序實現材料點嘅過程：具有較小$T$值嘅點會喺具有較大$T$值嘅點之前沉積。呢個做法將離散序列優化轉化為連續場優化問題。

2.2 變形建模

使用一個簡化但具有物理代表性嘅模型來預測變形。佢模仿固有應變法，其中每個新沉積嘅材料元素喺冷卻時會經歷規定嘅收縮應變（例如，熱收縮）。通過考慮與歷史相關嘅應變場，求解整個域上嘅線性彈性平衡方程來計算累積變形$\mathbf{u}$。

2.3 基於梯度嘅優化

目標係最小化最終變形嘅度量，例如變形場嘅柔度或其最大位移。設計變量係偽時間場$T(x)$。目標函數相對於$T(x)$嘅梯度係使用伴隨法計算嘅，從而實現高效嘅大規模優化。約束條件確保時間場係單調嘅，以表示一個有效、不可逆轉嘅沉積序列。

3. 數值研究與結果

3.1 基準案例：懸臂樑

該框架喺一個3D懸臂樑幾何形狀上進行咗測試。基準案例使用傳統嘅垂直平面層。然後，優化算法嘅任務係尋找一個偽時間場，以最小化由於沉積引起嘅收縮而導致嘅樑自由端嘅垂直撓度。

3.2 比較：平面層與曲面層

該研究從視覺上同數量上比較咗變形場。平面層序列導致咗可預測嘅累積彎曲效應。相比之下，優化後嘅曲面層序列策略性地「平衡」咗整個體積內嘅收縮應變，通常係透過以誘導抵消變形嘅方式沉積材料，從而獲得接近淨形狀嘅最終部件。

4. 技術分析與框架

4.1 數學公式

優化問題可以總結為： $$ \begin{aligned} \min_{T} \quad & J(\mathbf{u}) = \int_{\Omega} \mathbf{u} \cdot \mathbf{u} \, d\Omega \\ \text{s.t.} \quad & \nabla \cdot \boldsymbol{\sigma} + \mathbf{b} = \mathbf{0} \quad \text{in } \Omega \\ & \boldsymbol{\sigma} = \mathbf{C} : (\boldsymbol{\epsilon} - \boldsymbol{\epsilon}^{sh}(T)) \\ & \boldsymbol{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + \nabla \mathbf{u}^T) \\ & T_{\min} \leq T(x) \leq T_{\max}, \quad \nabla T \cdot \mathbf{n} \geq 0 \, (\text{單調性}) \end{aligned} $$ 其中$J$係變形目標，$\boldsymbol{\epsilon}^{sh}(T)$係依賴於偽時間嘅收縮應變，單調性約束確保咗可行嘅沉積順序。

4.2 分析框架示例

場景：為WAAM生產嘅支架優化打印序列，以最小化後續組裝嘅翹曲。

1. 輸入：支架嘅3D CAD模型，材料收縮參數（來自校準）。
2. 離散化：對域進行網格劃分。初始化一個偽時間場（例如，對應於平面層）。
3. 模擬循環：對於當前嘅$T$場，模擬順序沉積並計算最終變形場$\mathbf{u}$同目標$J$。
4. 伴隨與梯度：求解伴隨方程以高效計算$\partial J / \partial T$。
5. 更新：使用基於梯度嘅優化器（例如，MMA，SNOPT）更新$T$場，同時遵守約束條件。
6. 輸出：優化後嘅$T$場，然後將其解釋為用於曲面層WAAM沉積嘅機械人工具路徑。

5. 應用前景與未來方向

該框架開闢咗幾個具有影響力嘅途徑：

• 與完整熱力學模型集成：目前嘅收縮模型係一個簡化。未來嘅工作必須集成高保真度、瞬態熱力學模擬，類似於激光粉末床熔融模型中解決嘅多物理場挑戰。呢個提高咗精度，但亦增加咗計算成本，需要模型降階。
• 機械人WAAM路徑規劃：優化後嘅偽時間場必須轉換為無碰撞、運動學上可行嘅機械人軌跡。呢個橋接咗計算設計同機械人執行。
• 多目標優化：同時針對變形、殘餘應力、建造時間同支撐結構體積進行優化。呢個與來自橡樹嶺國家實驗室等機構嘅先進製造研究中見到嘅整體過程優化相一致。
• 機器學習代理模型：為實現實時或近實時序列規劃，可以訓練神經網絡作為昂貴物理模擬嘅代理模型，跟隨CycleGAN等作品為圖像到圖像翻譯設定嘅趨勢，但應用於將幾何形狀映射到最佳沉積序列。
• 原位變形校正：將優化計劃與過程監控（例如，激光掃描）相結合，創建一個閉環系統，根據測量到嘅變形實時調整序列。

6. 參考文獻

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.