Прогнозирование энергопотребления в направленном осаждении энергии с использованием переносного обучения, интегрированного с инкрементальным обучением

Почему важно разумнее использовать электроэнергию при 3D‑печатании

Металлическая 3D‑печать позволяет создавать сложные детали для авиадвигателей и медицинские имплантаты, но при этом часто потребляет много электроэнергии. Это влечёт за собой как финансовые расходы, так и климатические последствия. Статья исследует способ обучения компьютеров надёжному прогнозированию и в перспективе сокращению энергопотребления при одном из типов металлопечати, даже если доступно лишь небольшое количество данных. Для тех, кого волнует более экологичное производство или снижение стоимости высокотехнологичных изделий, эта работа указывает путь к более умным и эффективным фабрикам.

Как детали из металла создают с помощью света

Во многих металлопринтерах используется интенсивный лазер или электронный пучок, направляемый на поток или слой металлического порошка. В процессе направленного осаждения энергии (DED), рассматриваемом в работе, порошок подаётся в крошечную расплавленную ванну, создаваемую лазером, и деталь формируется послойно. Этот подход экономит материал по сравнению с механической обработкой заготовок, но всё равно требует много энергии, потому что машина многократно плавит и отверждает металл. Точное потребление зависит от сплава, мощности лазера, скорости перемещения и скорости подачи порошка, а также других факторов. Прогнозирование энергопотребления по этим параметрам трудно, но важно для контроля затрат и оценки выбросов углерода.

Почему привычные инструменты прогнозирования недостаточны

Исследователи пробовали применять как физические модели, так и традиционные методы машинного обучения для предсказания энергопотребления в аддитивном производстве. Физические модели не всегда охватывают все хаотичные реальные влияния, а стандартным методам машинного обучения обычно требуются большие и насыщенные наборы данных, включающие не только настройки процесса, но и показания датчиков и изображения. Сбор таких детальных данных дорог и занимает много времени. Ещё хуже то, что модели, обученные на одном металле или в одной конфигурации оборудования, часто дают плохие результаты при изменении условий. Модель, работающая для никелевого сплава, может не подойти для кобальт‑хромового, а модель, настроенная под одну мощность лазера, может плохо работать при другой.

Рамочная стратегия обучения, которая использует уже имеющиеся знания

Авторы объединяют две идеи — переносное (transfer) обучение и инкрементальное обучение — чтобы преодолеть эти ограничения. Переносное обучение позволяет модели повторно использовать то, что она усвоила об энергопотреблении в одной ситуации, например при печати CoCrMo, применяя эти знания при печати другого материала, например никелевого сплава IN718. Инкрементальное обучение даёт возможность обновлять модель поэтапно по мере поступления новых данных, вместо полного повторного обучения. В их подходе модель сначала поэтапно обучается на одном материале, начиная с образцов, сделанных при более низких мощностях лазера, затем добавляются образцы при более высоких мощностях. Полученную модель затем «дообучают» на нескольких образцах нового материала или при новой мощности, чтобы она адаптировалась без необходимости большого нового набора данных.

Тестирование различных способов распознавания закономерностей компьютерами

Чтобы оценить эффективность подхода, команда напечатала 20 небольших тестовых деталей, используя порошки CoCrMo и IN718, одновременно измеряя электрическую энергию в каждый момент времени. Для прогнозирования энергопотребления в каждый момент использовали лишь шесть простых входных параметров — шаг времени, мощность лазера, скорость сканирования, скорость подачи порошка, номер слоя и признак того, активно ли в данный момент идёт постройка. Сравнивали четыре типа моделей: метод на основе деревьев (XGBoost), рекуррентную нейронную сеть (LSTM), временную сверточную сеть (TCN) и трансформер с механизмами внимания. В трёх сценариях — переход от CoCrMo к IN718, от IN718 к CoCrMo и от низких к высоким мощностям лазера в IN718 — подход с инкрементальным переносным обучением последовательно давал прогнозы ближе к реальным измерениям, чем модели, обученные традиционным способом.

Какой подход показал лучшие результаты

Из четырёх моделей особенно выделилась временная сверточная сеть. В рамках инкрементального переносного обучения она достигла средней ошибки около 4,65 процента и объясняла около 92 процентов вариации энергопотребления, при этом оставаясь достаточно быстрой в обучении. LSTM также показала хорошие результаты, тогда как трансформер и XGBoost были немного хуже по точности, хотя XGBoost обучался быстрее всего. Улучшенные модели особенно точнее фиксировали резкие падения и всплески в энергопотреблении — пики и провалы, связанные с включением, выключением лазера или сменой слоя — вместо того чтобы сглаживать эти события.

Что это значит для более чистого производства

Проще говоря, исследование показывает, что умная многоступенчатая стратегия обучения позволяет компьютеру точно предсказывать, сколько энергии потребует металлический 3D‑принтер, даже когда у инженеров есть всего несколько тестовых прогонов и когда меняются материалы или параметры процесса. Такие прогнозы — ключевой шаг на пути к автоматической настройке принтеров для снижения энергопотребления при сохранении качества деталей и к оценке выбросов без исчерпывающих измерений. Хотя реальные фабрики демонстрируют ещё больше вариабельности, чем контролируемые условия в этой работе, подход повторного использования и поэтапного обновления накопленных знаний представляет многообещающий путь к более энергоэффективному и климатически ответственному производству.

Цитирование: 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

Ключевые слова: аддитивное производство металлов, прогнозирование энергопотребления, переносное обучение, инкрементальное обучение, направленное осаждение энергии