التنبؤ باستهلاك الطاقة في الترسيب الموجَّه للطاقة باستخدام التعلم التزايدي المدمج مع التعلم بالنقل

لماذا يهم الاستخدام الأذكى للطاقة في الطباعة ثلاثية الأبعاد

يمكن للطباعة المعدنية ثلاثية الأبعاد أن تُصنِّع أجزاء معقدة لمحركات الطائرات وزرعات طبية، لكنها غالبًا ما تستهلك كميات كبيرة من الكهرباء. لهذه الطاقة تكلفة مالية وتكلفة مناخية. يستكشف هذا البحث طريقة لتعليم الحواسيب توقع استهلاك الطاقة بدقة، وفي النهاية تقليله، في نوع محدد من الطباعة المعدنية حتى عندما تتوفر كمية صغيرة فقط من البيانات. لأي شخص مهتم بتصنيع أكثر خِضرة أو منتجات تقنية عالية التكلفة أرخص، يشير هذا العمل إلى مصانع أذكى وأكثر كفاءة.

كيف تُبنى الأجزاء المعدنية بالضوء

تعمل العديد من طابعات المعادن ثلاثية الأبعاد عن طريق تسليط ليزر شديد أو شعاع إلكترون على تيار أو سرير من مسحوق المعدن. في عملية الترسيب الموجَّه للطاقة (DED) التي تُدرس هنا، يُنفَخ المسحوق إلى بركة منصهرة صغيرة يُحدثها الليزر، ويبنى الجزء طبقة بعد طبقة. بينما تهدر هذه الطريقة مواد خام أقل من تقطيع الأجزاء من كتل، فإنها لا تزال تستخدم قدرًا كبيرًا من الطاقة لأن الآلة يجب أن تذيب وتُجمِّد المعدن بشكل متكرر. يعتمد مقدار الطاقة المستخدم بدقة على السبيكة والقدرة الليزرية وسرعة الحركة وسرعة تغذية المسحوق، من بين عوامل أخرى. التنبؤ باستهلاك الطاقة من هذه الإعدادات صعب ولكنه حاسم للسيطرة على التكاليف وتقدير انبعاثات الكربون.

لماذا الأدوات الاعتيادية للتنبؤ تقصر

حاول الباحثون استخدام معادلات فيزيائية وتعلم آلي تقليدي لتوقع استهلاك الطاقة في التصنيع الإضافي. نماذج الفيزياء تكافح لالتقاط كل التأثيرات المعقدة في العالم الحقيقي، بينما يتطلب التعلم الآلي التقليدي عادة مجموعات بيانات كبيرة وغنية تتضمن ليس فقط إعدادات العملية ولكن أيضًا قراءات حساسات وصورًا. جمع مثل هذه البيانات التفصيلية مكلف ويستغرق وقتًا طويلاً. والأسوأ أن النماذج المدربة على معدن واحد أو إعداد ماكينة واحد غالبًا ما تفشل عندما تتغير الظروف. نموذج يعمل على سبيكة نيكل قد لا يعمل على سبيكة كوبالت-كروم، ونموذج مضبط على قدرة ليزر معينة قد يقدم أداءً ضعيفًا عند قدرة مختلفة.

إطار تعلم يبني على ما يعرفه بالفعل

يجمع المؤلفون بين فكرتين — التعلم بالنقل والتعلم التزايدي — لمعالجة هذه القيود. يسمح التعلم بالنقل للنموذج بإعادة استخدام ما تعلّمه عن استهلاك الطاقة من حالة واحدة، مثل الطباعة بسبيكة كوبالت-كروم (CoCrMo)، عند تطبيقه على حالة أخرى، مثل الطباعة بسبيكة أساسها النيكل (IN718). يتيح التعلم التزايدي تحديث النموذج خطوة بخطوة عند وصول بيانات جديدة بدلاً من إعادة التدريب من الصفر. في إطارهم، يتم تدريب النموذج أولًا على مراحل على مادة واحدة، بدءًا من عينات مصنوعة عند قدرات ليزر منخفضة ثم إضافة عينات عند قدرات أعلى. ثم يتم إعادة تدريب النموذج بشكل خفيف على عدد قليل فقط من العينات من المادة الجديدة أو مستوى القدرة الجديد حتى يتكيف دون الحاجة إلى مجموعة بيانات جديدة كبيرة.

اختبار طرق مختلفة لتعرف الحواسيب على الأنماط

للاختبار، طبع الفريق 20 جزءًا اختباريًا صغيرًا باستخدام مساحيق CoCrMo وIN718 بينما قاموا بقياس الطاقة الكهربائية المستخدمة في كل لحظة. استخدموا ستة مدخلات بسيطة فقط — خطوة الزمن، قدرة الليزر، سرعة المسح، معدل تغذية المسحوق، رقم الطبقة، وما إذا كانت الآلة تبني فعليًا أم لا — للتنبؤ بالطاقة في كل وقت. تمت مقارنة أربعة أنواع من النماذج: طريقة قائمة على الأشجار (XGBoost)، شبكة عصبية متكررة (LSTM)، شبكة التلافيف الزمنية (TCN)، ونموذج محوّل يستخدم آليات الانتباه. عبر ثلاث مهام — الانتقال من CoCrMo إلى IN718، من IN718 إلى CoCrMo، ومن قدرة ليزر أقل إلى أعلى في IN718 — جعل نهج التعلم التزجيجي بالنقل التزايدي التنبؤات أقرب باستمرار إلى القياسات الفعلية مقارنة بالنماذج المدربة بالطريقة التقليدية.

أي نهج كان الأفضل

من بين النماذج الأربعة برزت شبكة التلافيف الزمنية. باستخدام إطار التعلم التزجيجي بالنقل التزايدي، حققت متوسط خطأ يقارب 4.65 بالمئة وفسَّرت حوالي 92 بالمئة من تباين استهلاك الطاقة، مع بقائها سريعة التدريب نسبيًا. قدمت LSTM أداءً جيدًا أيضًا، بينما تراجعت دقة المحوّل وXGBoost قليلًا، رغم أن XGBoost كان الأسرع في التدريب. كانت النماذج المحسّنة أفضل بشكل خاص في التقاط الانخفاضات والارتفاعات المفاجئة في الطاقة — الذروات والحفر التي تشير إلى بدء أو إيقاف الليزر أو تغيير الطبقات — بدلاً من تمليسها.

ما الذي يعنيه هذا لتصنيع أنظف

بعبارات بسيطة، تُظهر الدراسة أن استراتيجية تعلم ذكية ومتصاعدة تتيح للحواسيب توقع كمية الطاقة التي ستسحبها طابعة المعادن ثلاثية الأبعاد بدقة، حتى عندما يتوفر للمهندسين بضع تجارب فقط للتعلّم منها وعندما تتغير المواد أو إعدادات العملية. هذا النوع من التنبؤ خطوة أساسية نحو ضبط الطابعات تلقائيًا لاستخدام طاقة أقل مع الحفاظ على جودة الأجزاء، وإلى تقدير الانبعاثات دون قياسات شاملة. وعلى الرغم من أن المصانع الحقيقية تتضمن تباينات أكثر من الظروف المضبوطة في هذه الدراسة، فإن نهج إعادة استخدام المعرفة المكتسبة وتحديثها تدريجيًا يقدم مسارًا واعدًا نحو تصنيع أكثر وعيًا بالطاقة وصديقًا للمناخ.

الاستشهاد: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

الكلمات المفتاحية: التصنيع الإضافي المعدني, التنبؤ باستهلاك الطاقة, التعلم بالنقل, التعلم التزايدي, الترسيب الموجَّه للطاقة