2024 年 7 月 27 日，惠普 (HP) 的 3D 打印部门利用 NVIDIA 的开源人工智能工具 Modulus 成功地优化了 3D 打印流程。Modulus 利用物理信息神经网络 (PINN) 将物理定律整合进机器学习模型中，提高了制造效率和准确性。
惠普利用这项技术开发了一款名为 Virtual Foundry Graphnet 的软件工具来预测并优化金属烧结过程。这款工具通过准确预测金属粉末在 3D 打印过程中的行为来帮助简化生产流程，制造商可以优化生产流程，减少错误和缺陷，提高零件的质量。
Virtual Foundry Graphnet 利用图神经网络，能够预测金属烧结过程中部件的变形——这是一个以显著变形著称的关键步骤。AI 模型可以快速模拟这些行为，提供精确预测并加速整个过程。
△ 在 HP Metal Jet 打印中模拟复杂的金属烧结过程对于优化产量至关重要
经过良好训练的金属烧结神经网络模型只需几秒钟即可预测最终的变形值，使整个过程变得更加迅速高效。此外，通过公开分享其工作成果，惠普帮助其他制造商进行创新和改进，让先进的 AI 工具对行业内的所有人受益。
惠普 3D 打印部门在 Virtual Foundry Graphnet
方面取得的创新进展在最近的一篇论文中进行了详细描述，题为《用于金属烧结变形预测的 Virtual Foundry
Graphnet》。这篇由惠普团队撰写的论文讨论了图深度学习的设计与应用，旨在预测金属烧结过程中部件的变形。研究强调了这一先进模型相比于传统方法在加快模拟时间方面的优势。
△ 斯坦福龙测试模型
研究人员利用图深度学习构建了 Virtual Foundry Graphnet 模型，能在体素级别上大幅加速变形模拟，精度达到单个烧结步骤 0.7 微米、完整周期 0.3 毫米。这些进步主要归功于
AI 模型快速而精确的预测。研究作者包括惠普研究工程师 Rachel Chen、Chuang Gan、Jun Zeng 和 Zijiang
Yang，以及 NVIDIA 高级软件工程师 Mohammad Nabian 和机器学习工程师 Meta Juheon Lee 等。
惠普对开源创新的承诺在其对 NVIDIA Modulus 平台的贡献中得到了体现。通过向更广泛的制造业社区开放 Virtual Foundry
Graphnet，惠普鼓励合作并加速物理信息深度学习应用的发展。惠普数字孪生团队还为其制造数字孪生开发了创新的物理深度学习模型，并将其贡献给
Modulus 平台。这种数字孪生技术使工艺工程师能够预测和优化设计参数以及工艺控制参数，从而改善零件质量和制造产出率。
△ 数字烧结可产生改进的设计，以补偿制造过程中引起的零件变形
惠普有着悠久的技术创新历史，包括最近开发的 HP Metal
Jet，这是一种金属增材制造系统，能提供工业级别的吞吐量和质量，以制造超越传统制造能力的新颖 3D金属零件。作为数字孪生项目的一部分，惠普使用
Virtual Foundry Graphnet 来加速预测金属粉末材料的相变，实现近实时、高保真的金属烧结过程仿真。
使用 Virtual Foundry Graphnet 的好处十分显著。它使生产过程更快更高效，这意味着产品可以更快地生产出来，成本也更低。它还能确保产品的高质量。这对于必须满足严格标准并向客户交付可靠产品的公司来说非常重要。
△ 瞬态预测金属烧结过程
惠普 3D 打印软件组织的杰出技术专家 Jun Zeng 博士表示，“我们的团队一直在根据物理原理开发物理模拟引擎，我们将实验传感和计量数据用于校准这些物理模型，在充分训练并优化后，模型有了数量级的速度提升，而且模型可以在笔记本电脑上运行。”
来源：南极熊
0 留言