Previsão do consumo de energia em directed energy deposition usando aprendizado incremental integrado a transferência de aprendizado

Por que o uso mais inteligente de energia na impressão 3D importa

A impressão 3D de metal pode criar peças complexas para motores a jato e implantes médicos, mas costuma consumir muita eletricidade. Essa energia tem tanto um custo financeiro quanto um custo climático. Este artigo explora uma forma de ensinar computadores a prever de maneira confiável, e eventualmente reduzir, a energia usada em um tipo particular de impressão 3D metálica, mesmo quando há apenas uma pequena quantidade de dados disponível. Para quem se preocupa com manufatura mais verde ou produtos de alta tecnologia mais baratos, este trabalho aponta para fábricas mais inteligentes e eficientes.

Como peças metálicas são construídas com luz

Muitas impressoras 3D de metal funcionam ao focalizar um laser intenso ou um feixe de elétrons em um fluxo ou leito de pó metálico. No processo de directed energy deposition (DED) estudado aqui, o pó é soprada em uma minúscula piscina fundida criada por um laser, construindo a peça camada por camada. Embora essa abordagem desperdice menos matéria-prima do que cortar peças a partir de blocos, ela ainda consome muita energia porque a máquina precisa repetidamente fundir e solidificar o metal. A energia exata usada depende da liga, da potência do laser, da velocidade de movimento e da taxa de alimentação do pó, entre outros fatores. Prever o consumo de energia a partir dessas configurações é difícil, mas crucial para controlar custos e estimar emissões de carbono.

Por que as ferramentas de previsão usuais falham

Pesquisadores tentaram usar tanto equações físicas quanto aprendizado de máquina convencional para prever o consumo de energia na manufatura aditiva. Modelos baseados em física têm dificuldade em captar todas as influências bagunçadas do mundo real, enquanto o aprendizado de máquina padrão normalmente necessita de grandes conjuntos de dados ricos que incluam não só configurações do processo, mas também leituras de sensores e imagens. Coletar esses dados detalhados é caro e demorado. Pior, modelos treinados em um metal ou em uma configuração de máquina costumam falhar quando as condições mudam. Um modelo que funciona para uma liga de níquel pode não funcionar para uma liga de cobalto-cromo, e um modelo ajustado para uma potência de laser pode ter desempenho ruim em outra.

Uma estrutura de aprendizado que aproveita o que já sabe

Os autores combinam duas ideias—transferência de aprendizado e aprendizado incremental—para enfrentar essas limitações. Transferência de aprendizado permite que um modelo reaproveite o que aprendeu sobre consumo de energia em uma situação, como imprimir com cobalto-cromo (CoCrMo), quando aplicado a outra, como imprimir com uma liga à base de níquel (IN718). Aprendizado incremental permite que o modelo seja atualizado passo a passo à medida que novos dados chegam, em vez de ser re-treinado do zero. Na estrutura proposta, o modelo é primeiro treinado em estágios em um material, começando por amostras feitas em potências de laser mais baixas e depois adicionando amostras feitas em potências mais altas. O modelo treinado é então levemente re-treinado com apenas algumas amostras do novo material ou novo nível de potência, para que possa se adaptar sem precisar de um grande conjunto de dados novo.

Testando diferentes formas de reconhecimento de padrões por computadores

Para avaliar quão bem essa estrutura funciona, a equipe imprimiu 20 pequenas peças de teste usando pós de CoCrMo e IN718 enquanto media a energia elétrica consumida a cada instante. Eles usaram apenas seis entradas simples—passo de tempo, potência do laser, velocidade de varredura, taxa de alimentação do pó, número da camada e se a máquina estava ativamente construindo ou não—para prever a energia em cada instante. Quatro tipos de modelos foram comparados: um método baseado em árvores (XGBoost), uma rede neural recorrente (LSTM), uma rede convolucional temporal (TCN) e um modelo transformer que usa mecanismos de atenção. Em três tarefas—mudar de CoCrMo para IN718, de IN718 para CoCrMo e de potência de laser mais baixa para mais alta em IN718—a abordagem de transferência incremental consistentemente produziu previsões mais próximas das medições reais do que modelos treinados da maneira convencional.

Qual abordagem funcionou melhor

Entre os quatro modelos, a rede convolucional temporal se destacou. Com a estrutura de transferência incremental, ela alcançou um erro médio de cerca de 4,65 por cento e explicou cerca de 92 por cento da variação no consumo de energia, sendo ainda razoavelmente rápida de treinar. A LSTM também teve bom desempenho, enquanto os modelos transformer e XGBoost ficaram ligeiramente atrás em precisão, embora o XGBoost tenha sido o mais rápido para treinar. Os modelos aprimorados foram especialmente melhores em capturar quedas e picos súbitos de energia—os máximos e mínimos que marcam quando o laser inicia, para ou muda de camada—em vez de suavizá-los.

O que isso significa para uma manufatura mais limpa

Em termos simples, o estudo mostra que uma estratégia de aprendizado inteligente e em camadas permite que computadores prevejam com precisão quanta energia uma impressora 3D de metal vai consumir, mesmo quando os engenheiros dispõem de apenas algumas execuções de teste para aprender e quando materiais ou configurações de processo mudam. Esse tipo de previsão é um passo-chave rumo ao ajuste automático das impressoras para usar menos energia mantendo a qualidade das peças, e para estimar emissões sem medições exaustivas. Embora fábricas reais envolvam ainda mais variação do que as condições controladas deste estudo, a abordagem de reutilizar e atualizar gradualmente o conhecimento aprendido oferece um caminho promissor para uma manufatura mais consciente da energia e mais amigável ao clima.

Citação: 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

Palavras-chave: fabricação aditiva de metais, previsão do consumo de energia, transferência de aprendizado, aprendizado incremental, directed energy deposition