在数字设计工程领域，在先进制造创新的基础上，人工智能的“深度学习”有潜力以非常积极的方式改变世界制造产品的方式。下一步，通过机器学习实现自动化，其速度和精度水平远远超出了当今大多数制造商所能实现的水平。
这将是效率和准确性的巨大飞跃：人工智能可以将模拟时间从几小时缩短到几秒钟，利用深度学习自动评估，然后逐步修改零件的几何形状（在用户指定的范围内），最终的设计可以实现制造商优先考虑的所有属性的理想组合：重量更轻、减少应力和疲劳、最佳流体流动、热交换效率提升、更佳的传导性、更强的耐用性、零件结构一体化等等。
根据3D科学谷，工业制造经常采用严格的质量标准来确保组件的一致性和性能。由于AM-增材制造流程通常用于制造单个或小批量零件，因此达到与传统制造流程相同的统计质量保证变得昂贵且困难。增材制造的质量控制仍然是阻碍高价值行业进一步采用这类工艺的突出问题。
无处不在的制造挑战
人工智能软件可以添加到数字设计平台的优势是能够在现有的仿真工具中工作，并减少计算所涉及的每个微分方程的需要。
虽然机器学习肯定有利于任何类型的制造工艺，但由于3D打印这项技术的数字化天然属性，人工智能可能与增材制造 (AM) 最具互补性。机器学习可以充分探索增材制造设计与制造空间，识别适用于特定组件的每种物理类型的真正极限。这释放了增材制造的独特能力，可以提供极具加工挑战的复杂几何设计，从而为困难的工程挑战提供最具创意和成本效益的解决方案。
更重要的是，某些3D打印-增材制造系统制造商也认识到这种能力对于改进自己设备的价值——节省时间、提高性能并微调3D打印的准确性。
几年前，鉴于这一点，总部位于加利福尼亚州的 Velo3D 开始设计其更大容量的 Sapphire XC（额外容量，构建室大 400%），其中包括八个 1,000 瓦激光器，是其原始 Sapphire 机器的四倍 。
当激光器熔化增材制造室内的金属粉末材料时，会产生烟尘。在此过程中，一些材料蒸发并凝结成非常小的颗粒，当激光瞄准粉末床时，这些烟尘颗粒会遮挡激光。解决方案是提供恒定的惰性气体流（通常是氩气，但这取决于被熔化材料的反应性），以去除产生的烟尘。
然而，有时，烟尘颗粒从气流中飞落在激光进入腔室的窗口上，从而导致污染和热量囤积，从而使窗口本身变形。这实际上在光路中产生了一个意想不到的“透镜”，使激光从预期方向发生弯曲，并使其在粉末床上的光斑发生散焦。由于这会影响构建质量，因此激光窗口必须在整个构建过程中保持清洁。
解决更大的挑战
Velo3D已经考虑了其大型机器的整体构建室的最佳气流。但他们知道，更长的粉末床、更大的内部体积以及更多激光器的更紧密封装将是一个挑战，预计新机器产生的烟灰量将是原来机器的四倍左右。
在 Velo3D 案例中，使用了许多指标来自动量化向上流向窗户的再循环流的比例。PhysicsX 在项目开始时对原来的窗口解决方案进行了基准测试，然后应用其专有的人工智能/机器学习软件，并运行大量模拟以优化最终设计。由此产生的气流喷嘴设计可在增材制造机器的制造范围内工作时产生最佳的气流。
尽管封装体积极其紧凑，但仍能实现一致的气流质量
这增材制造设备气流喷嘴优化示例从多个方面体现了 AI 人工智能设计优化和3D打印之间的潜在协同作用。然而，模拟过程仍然需要大量的计算资源和实践优化技能，这正是增材制造行业仍在努力的方向。
由PhysicsX 设计和优化的正在申请专利的 Velo3D Sapphire AM 系统窗口下图的左图为全视图，右图为切割视图。下方的 CFD 分析图像显示了高度一致的流量分布的剖面图，这是通过机器学习实现的优化设计。深度学习工具的保真度和强大的工作流程可提供高精度的解决方案，然后根据经过验证的 CFD 模型对结果进行最终验证。
这就是人工智能可以介入的地方，为从事增材工作的设计师和工程师智能地加速和自动化决策。深度学习不仅改变了3D打印设备组件的几何形状，还改进了关键激光系统的功能，从而实现极高的敏锐度，从而提高最终产品质量。
这些正是增材制造行业需要在全球范围内扩大人工智能采用和应用深度的必要性，航空航天、汽车、科学、医学和其他领域正在从AI技术中寻求快速发展的优势，深度学习可以成为推动增材制造行业实现改变世界制造产品的方式的加速器。
