חיזוי צריכת האנרגיה בתהליך ה-Directed Energy Deposition באמצעות למידה אינקרמנטלית משולבת העברת למידה

מדוע חשוב לחשוב חכם יותר על צריכת החשמל בהדפסת תלת‑ממד

הדפסת תלת‑ממד במתכות יכולה לייצר חלקים מורכבים למנועי טורבו ולהטמעות רפואיות, אך לעתים קרובות צורכת כמויות גדולות של חשמל. לאנרגיה הזו יש הן עלות כלכלית והן עלות אקלימית. המאמר חוקר שיטה ללמד מחשבים לחזות באופן מהימן, ובהמשך להפחית, את האנרגיה הנצרכת בסוג מסוים של הדפסת מתכות — גם כאשר כמות הנתונים מוגבלת. עבור מי שמתעניין בייצור ירוק יותר או במוצרים גבוהה‑טכנולוגיה וזולים יותר, העבודה מצביעה על מפעלי עתיד חכמים ויעילים יותר.

איך בונים חלקי מתכת באמצעות אור

מרבית מדפסות המתכת פועלות על ידי ריכוז לייזר עוצמתי או קרן אלקטרונים על זרם או משטח של אבקת מתכת. בתהליך Directed Energy Deposition (DED) הנחקר כאן, האבקה מונחית לתוך מאגר מותך זעיר שנוצר על ידי לייזר, ובונים את החלק שכבה אחר שכבה. בגישה זו מבוזבז פחות חומר גולמי מאשר חיתוך חלקים ממחסן, אך היא עדיין צורכת הרבה אנרגיה כיוון שעל המכונה להמיס ולהתקשות את המתכת שוב ושוב. כמות האנרגיה המדויקת תלויה בסגסוגת, בעוצמת הלייזר, במהירות התנועה ובקצב הזנת האבקה, בין גורמים נוספים. חיזוי צריכת האנרגיה מתוך הגדרות אלה קשה — אך חיוני לשליטה בעלויות ולהערכת פליטות הפחמן.

מדוע כלי החיזוי השגרתיים לא מספיקים

חוקרים ניסו להשתמש הן במשוואות פיזיקליות והן ביישומי למידת מכונה קונבנציונליים כדי לחזות את צריכת האנרגיה בייצור תוספתי. מודלים מבוססי פיזיקה מתקשים לתפוס את כל ההשפעות המפריעות של העולם האמיתי, בעוד שמודלי למידת מכונה סטנדרטיים דורשים בדרך כלל מאגרי נתונים גדולים ועשירים שכוללים לא רק הגדרות תהליך אלא גם קריאות חיישנים ותמונות. איסוף נתונים מפורטים כזה יקר וגוזל זמן. גרוע מכך, מודלים המאומנים על מתכת אחת או על פריסת מכונה אחת נכשל לעתים קרובות כאשר התנאים משתנים. מודל שעובד עבור סגסוגת ניקל עשוי שלא לעבוד עבור סגסוגת קובלט‑כרום, ומודל המתאים לעוצמת לייזר אחת עלול להירדם בביצועים בעוצמה אחרת.

מסגרת למידה שבונה על מה שכבר ידועה לה

המחברים משלבים שתי רעיונות — העברת למידה ולמידה אינקרמנטלית — כדי להתמודד עם המגבלות הללו. העברת למידה מאפשרת למודל להשתמש מחדש במה שלמד על צריכת אנרגיה מסיטואציה אחת, כמו הדפסה ב‑CoCrMo (קובלט‑כרום), בהעברה לסיטואציה אחרת, למשל הדפסה בסגסוגת מבוססת ניקל (IN718). למידה אינקרמנטלית מאפשרת לעדכן את המודל צעד אחר צעד עם הגעת נתונים חדשים, במקום לאמן מחדש מההתחלה. במסגרת שלהם מאמנים את המודל תחילה בשלבים על חומר אחד, מתחילים במדגםיו שנוצרו בעוצמות לייזר נמוכות ואז מוסיפים דגימות שנוצרו בעוצמות גבוהות. המודל המאומן מועבר לאחר מכן להתאמה קלה על מספר דגימות מועטות מהחומר או מרמת העוצמה החדשה, כך שיוכל להסתגל בלי הצורך בערכת נתונים גדולה חדשה.

בדיקת שיטות שונות לזיהוי דפוסים על ידי מחשבים

כדי לבדוק עד כמה המסגרת עובדת, הקבוצה הדפיסה 20 חלקי מבחן קטנים בעזרת אבקות CoCrMo ו‑IN718 תוך מדידת צריכת האנרגיה החשמלית בכל רגע. הם השתמשו רק בשישה קלטים פשוטים — צעד זמן, עוצמת לייזר, מהירות סריקה, קצב הזנת אבקה, מספר שכבה והאם המכונה פעילה או לא — כדי לחזות את האנרגיה בכל רגע. הושוו ארבעה סוגי מודלים: שיטת עץ (XGBoost), רשת עצבית חוזרת (LSTM), רשת קונבולוציה טמפורלית (TCN) ומודל טרנספורמר המשתמש במנגנוני תשומת לב. בשלוש משימות — מעבר מ‑CoCrMo ל‑IN718, מ‑IN718 ל‑CoCrMo, וממעבר מעוצמת לייזר נמוכה לגבוהה ב‑IN718 — גישת ההעברה האינקרמנטלית שיפרה בעקביות את הדיוק בחיזוי לעומת מודלים שאומנו בדרך הרגילה.

איזו גישה עשתה את העבודה הכי טוב

מבין ארבעת המודלים, הרשת הקונבולוציונית הטמפורלית בלטה. במסגרת ההעברה האינקרמנטלית היא השיגה שגיאה ממוצעת של כ‑4.65 אחוז והסבירה כ‑92 אחוז מהשונות בצריכת האנרגיה, תוך שהיא עדיין מהירה יחסית לאימון. ה‑LSTM גם הציג ביצועים טובים, בעוד שהטרנספורמר ו‑XGBoost נשארו מעט מאחור בדיוק, אם כי XGBoost אומן הכי במהירות. המודלים המשופרים היו טובים במיוחד בלתפוס ירידות ועליות חדים בצריכה — השיאים והדהרות שמציינים את תחילת, עצירה או שינוי שכבות הלייזר — במקום להחליק אותם.

מה משמעות הדבר לייצור נקי יותר

במילים פשוטות, המחקר מראה שאסטרטגיית למידה חכמה ומדורגת מאפשרת למחשבים לחזות בדיוק כמה חשמל מדפסת תלת‑ממד למתכת תצרוך, גם כאשר יש רק מספר מצומצם של ניסויים ללמוד מהם וכאשר החומרים או הגדרות התהליך משתנים. חיזוי כזה הוא צעד מפתח לכיוון כוונון אוטומטי של מדפסות להפחתת צריכת אנרגיה מבלי לפגוע באיכות החלק, ולכיוון הערכת פליטות בלי מדידות מופרזות. אף שמפעלים אמיתיים כוללים שונות רבה עוד יותר מהתנאים הנשלטים במחקר זה, הגישה של שימוש מחדש בעבודה נלמדת ועדכון הדרגתי שלה מציעה נתיב מבטיח לייצור מודע אנרגטית וידידותי יותר לאקלים.

ציטוט: 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

מילות מפתח: ייצור תוספתי במתכות, חיזוי צריכת אנרגיה, העברת למידה, למידה אינקרמנטלית, Directed Energy Deposition