Förutsägelse av energiförbrukning vid directed energy deposition med inkrementell inlärning integrerad i transferinlärning

Varför smartare kraftanvändning i 3D‑utskrift spelar roll

Metall‑3D‑utskrift kan skapa intrikata jetmotor‑delar och medicinska implantat, men den förbrukar ofta stora mängder elektricitet. Denna energi har både en ekonomisk kostnad och en klimatkostnad. Denna artikel undersöker ett sätt att lära datorer att pålitligt förutsäga — och i förlängningen minska — den energi som används i en viss typ av metall‑3D‑utskrift, även när endast en liten mängd data finns tillgänglig. För alla som intresserar sig för grönare tillverkning eller billigare högteknologiska produkter pekar detta arbete mot smartare, mer effektiva fabriker.

Hur metalldelar byggs med ljus

Många metall‑3D‑skrivare fungerar genom att rikta en intensiv laser eller elektronstråle mot en ström eller bädd av metallpulver. I den directed energy deposition (DED)‑process som studeras här blåses pulver in i en liten smältpöl som skapas av en laser, och delen byggs lager för lager. Även om detta tillvägagångssätt slösar mindre råmaterial än att fräsa delar ur block, kräver det ändå mycket energi eftersom maskinen ständigt måste smälta och stelna metallen. Den exakta energiförbrukningen beror på legeringen, laserstyrkan, rörelsehastigheten och hur snabbt pulver matas in, bland andra faktorer. Att förutsäga energianvändningen utifrån dessa inställningar är svårt, men avgörande för att kontrollera kostnader och beräkna koldioxidutsläpp.

Varför vanliga förutsägelseverktyg inte räcker

Forskare har försökt använda både fysikbaserade ekvationer och konventionell maskininlärning för att förutsäga energiförbrukningen i additiv tillverkning. Fysikbaserade modeller har svårt att fånga alla röriga verkliga influenser, medan standardmaskininlärning vanligtvis kräver stora, rika datamängder som inte bara innehåller processinställningar utan också sensormätningar och bilder. Att samla in sådan detaljerad data är dyrt och tidskrävande. Värre är att modeller tränade på en metall eller en maskinuppsättning ofta misslyckas när förhållandena förändras. En modell som fungerar för en nickel‑legering kanske inte fungerar för en kobolt‑krom‑legering, och en modell finjusterad för en laserstyrka kan prestera dåligt vid en annan.

En inlärningsram som bygger på vad den redan kan

Författarna kombinerar två idéer — transferinlärning och inkrementell inlärning — för att ta sig an dessa begränsningar. Transferinlärning låter en modell återanvända vad den lärt sig om energianvändning i en situation, till exempel utskrift med kobolt‑krom (CoCrMo), när den tillämpas på en annan, såsom utskrift med en nickelbaserad legering (IN718). Inkrementell inlärning gör det möjligt att uppdatera modellen stegvis när ny data anländer, istället för att träna om från början. I deras ram tränas modellen först i stadier på ett material, med start från prov gjorda vid lägre laserstyrkor och därefter med prov vid högre styrkor. Den tränade modellen finjusteras sedan lätt på endast några få prov från det nya materialet eller den nya effektinställningen så att den kan anpassa sig utan att behöva en stor ny datamängd.

Test av olika sätt för datorer att känna igen mönster

För att se hur väl denna ram fungerar printade teamet 20 små testdelar med CoCrMo‑ och IN718‑pulver samtidigt som de mätte den elektriska energin i varje ögonblick. De använde endast sex enkla indata — tidssteg, laserstyrka, skanningshastighet, pulvermatningshastighet, lagernummer och om maskinen aktivt byggde eller inte — för att förutsäga energin vid varje tidpunkt. Fyra typer av modeller jämfördes: en träd‑baserad metod (XGBoost), ett återkommande neuralt nätverk (LSTM), ett temporalt konvolutionsnätverk (TCN) och en transformer‑modell som använder uppmärksamhetsmekanismer. Över tre uppgifter — byte från CoCrMo till IN718, från IN718 till CoCrMo, och från lägre till högre laserstyrka i IN718 — gav den inkrementella transferinlärningsmetoden konsekvent förutsägelser som låg närmare de faktiska mätningarna än modeller tränade på det vanliga sättet.

Vilken metod fungerade bäst

Bland de fyra modellerna utmärkte sig det temporala konvolutionsnätverket. Med den inkrementella transferinlärningsramen uppnådde det ett genomsnittligt fel på cirka 4,65 procent och förklarade omkring 92 procent av variationen i energianvändningen, samtidigt som det var relativt snabbt att träna. LSTM presterade också väl, medan transformer‑ och XGBoost‑modellerna halkade något efter i noggrannhet, även om XGBoost tränade snabbast. De förbättrade modellerna var särskilt bättre på att fånga plötsliga dippar och toppar i energin — topparna och dalarna som markerar när lasern startar, stoppar eller byter lager — istället för att mjuka ut dem.

Vad detta innebär för renare tillverkning

Enkelt uttryckt visar studien att en smart, lager‑vis inlärningsstrategi låter datorer noggrant förutsäga hur mycket effekt en metall‑3D‑skrivare kommer att dra, även när ingenjörer bara har ett fåtal testkörningar att lära sig av och när material eller processinställningar ändras. Denna typ av förutsägelse är ett viktigt steg mot att automatiskt finjustera skrivare för att använda mindre energi samtidigt som delkvaliteten bibehålls, och mot att uppskatta utsläpp utan uttömmande mätningar. Även om verkliga fabriker involverar ännu större variation än de kontrollerade förhållandena i denna studie, ger tillvägagångssättet att återanvända och gradvis uppdatera inlärt kunnande en lovande väg mot mer energimedveten och klimatvänlig tillverkning.

Citering: 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

Nyckelord: metalladditiv tillverkning, förutsägelse av energiförbrukning, transferinlärning, inkrementell inlärning, directed energy deposition