Chaudhry, Shubham (2023). Data-driven non-intrusive surrogate modeling and optimization of selective laser melting using machine learning methods. Thèse de doctorat électronique, Montréal, École de technologie supérieure.
Prévisualisation |
PDF
Télécharger (8MB) | Prévisualisation |
Résumé
The goal of the presented thesis is computational modeling and optimization of selective laser melting (SLM), which is an additive manufacturing(AM) process, using data-driven non-intrusive machine learning techniques. The selective laser melting process mostly depends on experiments to understand and predict the process. The use of traditional trial and error techniques to determine the AM process outputs could be time-consuming and costly. In addition, the numerical simulation takes a significantly longer time to compute. A new framework and techniques like machine learning (ML) are an urgent requirement of the AM industry to speed up the manufacturing process and reduce operational costs.
In this context, a numerical simulation model of SLM process was developed using the ANSYS additive software. To fasten the numerical convergence, a new calibration technique was developed, which not only improves the convergence but also improves the output results. The computation efficiency is assessed and compared with the three different experimental studies. The experimental studies involve a vertical prism, a horizontal prism, and an L-shaped structure. Later another SLM numerical model developed with ANSYS workbench additive, and a datadriven framework was proposed to analyze the sensitivity and uncertainty in SLM input and output parameters. The proposed data-driven approach combines machine learning techniques with high-fidelity numerical simulations to analyze the SLM process more efficiently and this framework can be used in process optimization. Research work considers laser speed, hatch spacing, layer thickness, Young modulus, and Poisson ratio as input parameters, while the output variables are normal strains predictions in the built part. A surrogate model was constructed with a deep neural network (DNN) and polynomial chaos expansion (PCE) to create a response surface between the process output and the input variables. The analysis found that all the considered parameters were important in the process. Subsequently, the surrogate model was integrated with non-intrusive optimization algorithms such as genetic algorithms (GA), differential evolution (DE), and particle swarm optimization (PSO) to perform an inverse analysis which helped in finding the optimal parameters setting for the building. Among all the models, the PSO performed well, and the DNN model was found to be the most efficient surrogate model compared to the PCE.
Another contribution from this thesis is the introduction of two data-driven, non-intrusive, reduced-order models (ROMs) named convolutional autoencoder- multilayer perceptron (CAEMLP) and a combined proper orthogonal decomposition- artificial neural network (POD -ANN). The POD-ANN uses proper orthogonal decomposition-based, reduced-order modeling which extracts the reduced order basis for the given high-fidelity input snapshot matrix. After that, an artificial neural network was constructed to form a surrogate model between the reduced order bases and the input parameters. Similarly, the CAE-MLP uses a 1D convolutional autoencoder for the reduction of a high-fidelity spatial dimension snapshot matrix constructed from high-fidelity numerical simulations. The reduced latent space is projected to the input variables using a multilayer perceptron (MLP) regression model. The efficiency and accuracy of these methods are quantified based on the thermo-mechanical analysis of an AM-built part. A good comparison between the statistical moments from the high-fidelity simulation results and the ROMs predictions confirms the ability of the proposed methods to accurately predict the SLM outputs. Additionally, the predictions are compared with the experimental results at different locations. While both models have shown a good correlation with the experimental results, the CAE-MLP performed better than the POD-ANN.
Résumé traduit
L’objectif de la thèse présentée est la modélisation numérique et l’optimisation du processus de fabrication additive (AM) par laser (Selective Laser Melting SLM). Les utilisateurs du procédé de fusion sélective au laser (plus généralement de fabrication additive) dépendent principalement des expériences pour comprendre et prédire les processus. Les techniques traditionnelles d’essai et d’erreur pour déterminer les résultats du processus d’AM pourraient être longues et coûteuses. De plus, la simulation numérique prend beaucoup de temps à calculer. Une nouvelle approche basée sur des techniques de l’apprentissage automatique (ML) pourrait contribuer à accélérer le processus de fabrication et réduire le coût d’exploitation.
Dans ce contexte, un modèle de simulation numérique du processus SLM a été développé à l’aide du logiciel ANSYS. Une nouvelle technique d’étalonnage des paramètres du procédé a été développée. L’efficacité du modèle numérique est évaluée et comparée à trois cas tests pour lesquels des données expérimentales sont disponibles. Les études expérimentales impliquent un prisme vertical, un prisme horizontal et une structure en forme de L. Un autre modèle numérique par éléments finis a été développé avec le logiciel ANSYS Workbench Additive pour modéliser une pièce fabriquée par le processus SLM et pour laquelle des données sont du domaine public. Afin d’analyser la sensibilité et la propagation des incertitudes des paramètres d’entrée, un modèle rapide dit de substitution a été développé. L’approche basée sur les données combine des techniques d’apprentissage automatique avec des simulations numériques d’haute-fidélité pour analyser plus efficacement le processus SLM et ce cadre peut être utilisé dans l’optimisation des processus. Les travaux de recherche ont considéré la vitesse du laser, l’éclosion, l’espacement, l’épaisseur de la couche, le module d’Young et le coefficient de Poisson comme paramètres d’entrée, tandis qu’à la sortie, les variables sont des prédictions de déformations normales dans la pièce fabriquée. Un modèle de substitution a été construit avec un réseau neuronal profond (DNN) et une expansion du chaos polynomial (PCE) pour créer une surface de réponse entre la sortie et les variables d’entrée. L’analyse a révélé que tous les paramètres étaient importants dans le processus. Par la suite, le modèle de substitution a été intégré avec des algorithmes d’optimisation non intrusifs (tels que les algorithmes génétiques (AG), l’évolution différentielle (DE) et l’optimisation des essais de particules (PSO)) pour effectuer une analyse inverse qui a aidé à trouver les paramètres optimaux. Parmi tous les modèles, le PSO a donné de bons résultats, et le modèle DNN s’est avéré être le modèle de substitution le plus efficace par rapport au PCE.
Une autre contribution de cette thèse est l’introduction de deux types de modèles réduits non intrusifs et fondés sur des données, le premier est nommé l’auto-encodeur convolutif-perceptron multicouche (CAE- MLP) et le deuxième est une combinaison de la décomposition orthogonale et de réseaux de neurones artificiels (POD-ANN). Le POD-ANN extrait la base d’ordre réduit à partir de la matrice des données d’haute-fidélité. Après cela, un réseau de neurones artificiels a été construit pour former un modèle de substitution entre la base réduite et les paramètres d’entrée. De même, le CAE-MLP utilise une méthode de convolution unidimensionnelle pour extraire une base réduite dite l’espace latent. Un modèle de régression basée sur un réseau de neurones multicouches (MLP) est construit entre les paramètres d’entrée et l’espace latent. L’efficacité et la précision de ces les méthodes sont quantifiées sur la base de l’analyse thermomécanique d’une pièce fabriquée. Une bonne comparaison entre les moments statistiques des résultats des simulations haute-fidélité et les prédictions des ROM confirment la capacité des méthodes proposées à prédire avec précision. De plus, les prédictions sont comparées aux résultats expérimentaux à différents endroits. Bien que les deux modèles aient montré une bonne corrélation avec les résultats expérimentaux, le modèle CAE-MLP s’est avéré plus performant que le modèle POD-ANN.
Type de document: | Mémoire ou thèse (Thèse de doctorat électronique) |
---|---|
Renseignements supplémentaires: | "Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 159-176). |
Mots-clés libres: | fusion laser sélective, optimisation, modélisation d’ordre réduit, décomposition orthogonale propre, auto-encodeur, réseau de neurones profonds, expension du chaos polynomial |
Directeur de mémoire/thèse: | Directeur de mémoire/thèse Soulaïmani, Azzeddine |
Programme: | Doctorat en génie > Génie |
Date de dépôt: | 25 oct. 2023 14:11 |
Dernière modification: | 25 oct. 2023 14:20 |
URI: | https://espace.etsmtl.ca/id/eprint/3300 |
Gestion Actions (Identification requise)
Dernière vérification avant le dépôt |