Predykcja zużycia energii w directed energy deposition z wykorzystaniem transfer learningu zintegrowanego z uczeniem przyrostowym

Dlaczego inteligentniejsze zarządzanie energią w druku 3D ma znaczenie

Druk 3D metali pozwala wytwarzać skomplikowane części do turbin lotniczych i implanty medyczne, ale często pochłania dużo energii elektrycznej. To zużycie ma zarówno wymiar finansowy, jak i klimatyczny. W artykule badano sposób nauczenia komputerów wiarygodnego przewidywania, a w przyszłości redukcji, energii używanej w konkretnym rodzaju druku metalowego — nawet gdy dostępne są tylko niewielkie zbiory danych. Dla każdego, komu zależy na bardziej ekologicznym wytwarzaniu lub tańszych produktach high‑tech, praca ta wskazuje drogę ku mądrzejszym i bardziej efektywnym fabrykom.

Jak części metalowe powstają dzięki światłu

Wiele drukarek 3D do metalu działa poprzez silne naświetlanie wiązką laserową lub elektronową strumienia albo warstwy proszku metalowego. W procesie directed energy deposition (DED), opisywanym tutaj, proszek jest dmuchany do małej kałuży ciekłego metalu tworzonej przez laser, budując część warstwa po warstwie. Choć ta metoda marnuje mniej surowca niż obrabianie części z bloków, nadal zużywa znaczną ilość energii, ponieważ maszyna wielokrotnie topi i zestala metal. Dokładne zużycie energii zależy od stopu, mocy lasera, prędkości ruchu i tempa podawania proszku, oraz innych czynników. Przewidywanie zużycia energii na podstawie ustawień procesu jest trudne, a równocześnie kluczowe dla kontroli kosztów i szacowania emisji dwutlenku węgla.

Dlaczego tradycyjne narzędzia predykcyjne zawodzą

Naukowcy próbowali używać zarówno modeli opartych na prawach fizyki, jak i klasycznego uczenia maszynowego do prognozowania zużycia energii w produkcji addytywnej. Modele fizyczne mają trudności z uchwyceniem wszystkich złożonych, rzeczywistych wpływów, natomiast standardowe metody uczenia maszynowego zwykle potrzebują dużych, bogatych zbiorów danych zawierających nie tylko ustawienia procesu, ale też odczyty z czujników i obrazy. Zbieranie tak szczegółowych danych jest kosztowne i czasochłonne. Co gorsza, modele wytrenowane dla jednego metalu lub konfiguracji maszyny często zawodzą, gdy warunki się zmieniają. Model działający dla stali niklowej może nie sprawdzić się dla stopu kobaltu i chromu, a model dostrojony do jednej mocy lasera może działać słabo przy innej mocy.

Ramka ucząca, która wykorzystuje już zdobytą wiedzę

Autorzy łączą dwa pomysły — transfer learning i uczenie przyrostowe — by pokonać te ograniczenia. Transfer learning pozwala modelowi ponownie wykorzystać to, czego nauczył się o zużyciu energii w jednej sytuacji, na przykład przy drukowaniu stopem CoCrMo, gdy stosuje się go do innej, na przykład do druku stopem niklowym IN718. Uczenie przyrostowe umożliwia aktualizację modelu krok po kroku w miarę napływu nowych danych zamiast trenowania od zera. W ich podejściu model najpierw jest trenowany etapami na jednym materiale, zaczynając od próbek wykonanych przy niższych mocach lasera, a następnie dodając próbki przy wyższych mocach. Wytrenowany model jest potem delikatnie dostrajany na zaledwie kilku próbkach z nowego materiału lub nowego poziomu mocy, dzięki czemu może się adaptować bez potrzeby dużego, nowego zbioru danych.

Testowanie różnych sposobów rozpoznawania wzorców przez komputery

Aby sprawdzić skuteczność tej ramy, zespół wydrukował 20 małych testowych części używając proszków CoCrMo i IN718, mierząc jednocześnie chwilowe zużycie energii elektrycznej. Do przewidywania energii w każdej chwili użyto zaledwie sześciu prostych wejść — kroku czasowego, mocy lasera, prędkości skanowania, prędkości podawania proszku, numeru warstwy oraz informacji, czy maszyna aktualnie buduje część. Porównano cztery typy modeli: metodę opartą na drzewach (XGBoost), rekurencyjną sieć neuronową (LSTM), temporalną sieć konwolucyjną (TCN) oraz model transformer wykorzystujący mechanizmy uwagi. W trzech zadaniach — przejście z CoCrMo na IN718, z IN718 na CoCrMo oraz z niższej na wyższą moc lasera w IN718 — podejście oparte na transferze przyrostowym konsekwentnie dawało przewidywania bliższe rzeczywistym pomiarom niż modele trenowane w zwykły sposób.

Które podejście sprawdziło się najlepiej

Spośród czterech modeli wyróżniła się temporalna sieć konwolucyjna. W ramach uczenia przyrostowego osiągnęła średni błąd około 4,65 procent oraz wyjaśniała około 92 procent wariancji w zużyciu energii, pozostając przy tym relatywnie szybka w trenowaniu. LSTM również wypadł dobrze, podczas gdy transformery i XGBoost ustępowały nieco pod względem dokładności, choć XGBoost trenował się najszybciej. Ulepszone modele były szczególnie lepsze w odtwarzaniu nagłych spadków i skoków energii — szczytów i dolin związanych ze startem, zatrzymaniem lub zmianą warstwy lasera — zamiast wygładzać te zdarzenia.

Co to oznacza dla bardziej ekologicznej produkcji

Mówiąc prościej, badanie pokazuje, że inteligentna, warstwowa strategia uczenia pozwala komputerom dokładnie przewidzieć, ile energii pobierze drukarka do metalu, nawet gdy inżynierowie dysponują tylko kilkoma testowymi wydrukami i gdy materiały albo ustawienia procesu się zmieniają. Tego rodzaju predykcja jest kluczowym krokiem w kierunku automatycznego dostrajania drukarek tak, by zużywały mniej energii przy zachowaniu jakości części, oraz w stronę oszacowań emisji bez potrzeby wyczerpujących pomiarów. Choć prawdziwe fabryki wykazują jeszcze większą zmienność niż kontrolowane warunki tego badania, podejście polegające na ponownym użyciu i stopniowej aktualizacji zdobytej wiedzy stanowi obiecującą drogę ku bardziej świadomej energetycznie, przyjaznej dla klimatu produkcji.

Cytowanie: 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

Słowa kluczowe: metalowa produkcja addytywna, predykcja zużycia energii, transfer learning, uczenie przyrostowe, directed energy deposition