Tối Ưu Hóa Quá Trình In 3D SLM Bằng Học Sâu

Chuyên khảo phân tích Ứng dụnghọc sâu đểtối ưu hoá quá trình in 3d slm đểđạt được đường in ổn định, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Trần Thị Như Quỳnh
• Người hướng dẫn: TS. Mai Hoàng Bảo Ân
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Ứng Dụng Học Sâu Để Tối Ưu Hóa Quá Trình In 3D SLM Để Đạt Được Đường In Ổn Định
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC BẢNG
• MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Mục tiêu nghiên cứu
• 0.3. Tổng quan nghiên cứu của đề tài
• 0.4. Đối tượng, phạm vi nghiên cứu
• 0.5. Phương pháp nghiên cứu
• 0.6. Đóng góp của đề tài
• 0.7. Cấu trúc của đề tài
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 1.1. Mạng Nơ-ron tích chập
• 1.2. Mạng Nơ-ron nhân tạo
• 1.3. Mạng Nơ-ron tích chập
• 1.4. Các mô hình học sâu CNN
• 1.5. Sự hình thành và phát triển
• 1.6. Tiểu kết chương
• 2. CHƯƠNG 2: XỬ LÝ DỮ LIỆU ĐƯỜNG IN ĐƠN 3D SLM
• 2.1. Giới thiệu bộ dữ liệu
• 2.2. Tổng quan về xử lý dữ liệu
• 2.3. Phân loại các đường in đơn trong quá trình in 3D SLM
• 2.4. Hướng tiếp cận
• 2.5. Hướng đề xuất nghiên cứu
• 2.6. Tiểu kết chương
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT VÀ THỰC NGHIỆM
• 3.1. Giới thiệu bộ dữ liệu
• 3.2. Tổng quan mô hình đề xuất
• 3.3. Các đặc trưng của mô hình
• 3.4. Gán nhãn cho dữ liệu
• 3.5. Nhận dạng các đường in đơn 3D với CNN
• 3.6. Phương pháp đánh giá kết quả
• 3.7. Huấn luyện mô hình
• 3.8. Đánh giá
• HƯỚNG NGHIÊN CỨU
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Tối Ưu In 3D SLM Bằng Học Sâu 55 ký tự

Công nghệ in 3D ngày càng phát triển, đặc biệt là phương pháp SLM (Selective Laser Melting), còn gọi là DMLS. Đây là kỹ thuật tạo mẫu nhanh sử dụng laser công suất cao để làm tan chảy và liên kết bột kim loại. SLM có khả năng tạo ra sản phẩm 3D từ nhiều hợp kim khác nhau, với độ cứng tương đương vật liệu gốc. Ưu điểm của phương pháp này là sản xuất được các chi tiết phức tạp, gồm các dạng khối, lưới hoặc mạng. Ứng dụng chính của SLM là trong lĩnh vực hàng không vũ trụ, tạo ra các chi tiết nhẹ mà phương pháp truyền thống không thể thực hiện. Học sâu (Deep Learning) mở ra tiềm năng to lớn để tối ưu hóa quy trình này, nâng cao chất lượng và giảm chi phí sản xuất. Việc ứng dụng học sâu giúp dự đoán và điều chỉnh các thông số in, từ đó tạo ra các sản phẩm có độ chính xác và độ bền cao hơn.

1.1. Giới Thiệu Quy Trình In 3D SLM Kim Loại 48 ký tự

Quy trình in 3D SLM sử dụng laser để nung chảy bột kim loại theo từng lớp, tạo thành sản phẩm 3D. Quá trình này đòi hỏi kiểm soát chặt chẽ các thông số như công suất laser, tốc độ quét và khoảng cách lớp. Theo nghiên cứu của Trần Thị Như Quỳnh, "SLM có thể tạo ra các chi tiết dạng lưới bằng phương pháp bồi đắp vật liệu thay vì phải cắt bỏ vật liệu như các phương pháp gia công truyền thống." Việc tối ưu hóa các thông số này là rất quan trọng để đảm bảo chất lượng sản phẩm. Học sâu có thể giúp dự đoán mối quan hệ giữa các thông số in và chất lượng sản phẩm, từ đó tìm ra các thông số tối ưu.

1.2. Vai Trò Của Học Sâu Trong In 3D SLM 45 ký tự

Học sâu có thể được sử dụng để phân tích dữ liệu từ quá trình in SLM, dự đoán chất lượng sản phẩm và điều chỉnh các thông số in. Các mô hình học sâu, như mạng nơ-ron tích chập (CNN), có thể học các đặc trưng phức tạp từ dữ liệu hình ảnh và cảm biến, từ đó cải thiện độ chính xác và hiệu quả của quá trình in. Ứng dụng học sâu giúp giảm thiểu lỗi, tối ưu hóa cấu trúc hỗ trợ và tự động hóa quá trình in SLM.

II. Thách Thức Trong Tối Ưu Hóa Quy Trình In SLM 58 ký tự

Quá trình in 3D SLM đối mặt với nhiều thách thức, bao gồm việc kiểm soát chất lượng sản phẩm, giảm thiểu lỗi và tối ưu hóa các thông số in. Các yếu tố như nhiệt độ, độ ẩm và thành phần vật liệu có thể ảnh hưởng đến kết quả in. Việc thử nghiệm và điều chỉnh các thông số in tốn kém và mất thời gian. Theo Trần Thị Như Quỳnh, "Với mỗi mức năng lượng in và tốc độ khác nhau của tia Laser đường in lớn, đường in nhỏ không đều." Do đó, cần có các phương pháp hiệu quả để dự đoán và kiểm soát chất lượng sản phẩm. Học sâu có thể giúp giải quyết các thách thức này bằng cách phân tích dữ liệu và dự đoán kết quả in.

2.1. Các Yếu Tố Ảnh Hưởng Đến Chất Lượng In SLM 49 ký tự

Nhiều yếu tố ảnh hưởng đến chất lượng sản phẩm in SLM, bao gồm công suất laser, tốc độ quét, khoảng cách lớp, thành phần vật liệu và môi trường in. Các yếu tố này tương tác phức tạp với nhau, gây khó khăn cho việc tối ưu hóa quy trình in. Việc kiểm soát nhiệt độ là đặc biệt quan trọng để tránh các vấn đề như cong vênh và nứt. Học sâu có thể giúp mô hình hóa mối quan hệ giữa các yếu tố này và chất lượng sản phẩm.

2.2. Vấn Đề Về Độ Chính Xác Và Độ Bền Vật Liệu 50 ký tự

Độ chính xác và độ bền vật liệu là hai yếu tố quan trọng trong in 3D SLM. Các sản phẩm in cần đáp ứng các yêu cầu kỹ thuật khắt khe về kích thước và cơ tính. Các lỗi như lỗ rỗng và nứt có thể làm giảm độ bền của sản phẩm. Học sâu có thể giúp dự đoán và giảm thiểu các lỗi này bằng cách phân tích dữ liệu từ quá trình in và điều chỉnh các thông số in.

III. Phương Pháp Học Sâu Tối Ưu Thông Số In 3D SLM 59 ký tự

Học sâu cung cấp nhiều phương pháp để tối ưu hóa các thông số in 3D SLM. Các mô hình như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) có thể được sử dụng để phân tích dữ liệu hình ảnh và cảm biến, dự đoán chất lượng sản phẩm và điều chỉnh các thông số in. Các thuật toán tối ưu hóa như gradient descent và Adam có thể được sử dụng để tìm ra các thông số in tối ưu. Theo Trần Thị Như Quỳnh, "cần áp dụng mô hình học máy để nhận diện các đường in từ đó đưa ra các phương án dự đoán để tạo ra các đường in ổn định". Việc kết hợp học sâu với các phương pháp mô phỏng có thể cải thiện hiệu quả của quá trình tối ưu hóa.

3.1. Sử Dụng Mạng Nơ ron Tích Chập CNN Cho SLM 50 ký tự

Mạng nơ-ron tích chập (CNN) là một công cụ mạnh mẽ để phân tích dữ liệu hình ảnh trong in 3D SLM. CNN có thể được sử dụng để nhận dạng các đặc trưng quan trọng trong hình ảnh vi mô của sản phẩm in, chẳng hạn như kích thước hạt và độ xốp. CNN cũng có thể được sử dụng để dự đoán chất lượng sản phẩm dựa trên hình ảnh. Theo Trần Thị Như Quỳnh, "phương pháp học máy Mạng nơ-ron tích chập CNN mang lại hiệu quả nhận dạng đối với bộ dữ liệu khá cao và có tính ổn định."

3.2. Ứng Dụng Mạng Nơ ron Hồi Quy RNN Trong SLM 48 ký tự

Mạng nơ-ron hồi quy (RNN) có thể được sử dụng để phân tích dữ liệu chuỗi thời gian trong in 3D SLM, chẳng hạn như dữ liệu từ cảm biến nhiệt độ và áp suất. RNN có thể học các mối quan hệ phức tạp giữa các thông số in và chất lượng sản phẩm theo thời gian. RNN cũng có thể được sử dụng để dự đoán các lỗi trong quá trình in và điều chỉnh các thông số in để ngăn chặn chúng.

IV. Ứng Dụng Thực Tế Dự Đoán Chất Lượng In SLM 55 ký tự

Học sâu đã được ứng dụng thành công trong việc dự đoán chất lượng sản phẩm in 3D SLM. Các nhà nghiên cứu đã phát triển các mô hình học sâu có thể dự đoán độ bền, độ chính xác và độ xốp của sản phẩm in dựa trên các thông số in và dữ liệu cảm biến. Các mô hình này có thể giúp các nhà sản xuất tối ưu hóa quy trình in và giảm thiểu lỗi. Theo Trần Thị Như Quỳnh, "Kết quả cho thấy việc nhận dạng các đường in có độ chính xác khá ổn định song việc chia bộ dữ liệu đủ lớn giúp thuật toán trở nên chính xác hơn."

4.1. Dự Đoán Độ Bền Vật Liệu In 3D SLM 46 ký tự

Độ bền vật liệu là một yếu tố quan trọng trong nhiều ứng dụng của in 3D SLM. Học sâu có thể được sử dụng để dự đoán độ bền của sản phẩm in dựa trên các thông số in và dữ liệu cảm biến. Các mô hình học sâu có thể giúp các nhà sản xuất lựa chọn các thông số in tối ưu để đạt được độ bền mong muốn.

4.2. Kiểm Soát Nhiệt Độ Để Đảm Bảo Chất Lượng 49 ký tự

Kiểm soát nhiệt độ là rất quan trọng trong in 3D SLM để đảm bảo chất lượng sản phẩm. Học sâu có thể được sử dụng để dự đoán nhiệt độ trong quá trình in và điều chỉnh các thông số in để duy trì nhiệt độ ổn định. Các mô hình học sâu có thể giúp ngăn chặn các vấn đề như cong vênh và nứt.

V. Kết Luận Hướng Phát Triển Của Học Sâu Trong SLM 60 ký tự

Học sâu mang lại tiềm năng to lớn để tối ưu hóa quy trình in 3D SLM, nâng cao chất lượng sản phẩm và giảm chi phí sản xuất. Các mô hình học sâu có thể được sử dụng để phân tích dữ liệu, dự đoán chất lượng sản phẩm và điều chỉnh các thông số in. Trong tương lai, học sâu có thể được tích hợp vào các hệ thống điều khiển tự động để tạo ra các quy trình in SLM thông minh và hiệu quả hơn. Nghiên cứu của Trần Thị Như Quỳnh đã mở ra hướng đi đầy hứa hẹn cho việc ứng dụng học sâu trong lĩnh vực này.

5.1. Tự Động Hóa Quy Trình In SLM Bằng Học Sâu 50 ký tự

Học sâu có thể được sử dụng để tự động hóa nhiều khía cạnh của quy trình in 3D SLM, từ thiết kế sản phẩm đến kiểm soát chất lượng. Các hệ thống tự động hóa có thể giúp giảm thiểu lỗi, tăng năng suất và giảm chi phí sản xuất.

5.2. Phát Triển Vật Liệu In 3D SLM Mới Với Học Sâu 50 ký tự

Học sâu có thể được sử dụng để phát triển các vật liệu in 3D SLM mới với các tính chất cơ học và hóa học được cải thiện. Các mô hình học sâu có thể giúp dự đoán mối quan hệ giữa thành phần vật liệu và tính chất sản phẩm, từ đó giúp các nhà nghiên cứu thiết kế các vật liệu mới.

Nội dung chính

Tổng quan nghiên cứu

Công nghệ in 3D ngày càng phát triển mạnh mẽ, trong đó phương pháp Selective Laser Melting (SLM) được ứng dụng rộng rãi trong sản xuất các chi tiết kim loại phức tạp với độ chính xác cao. Theo ước tính, quá trình SLM sử dụng laser công suất cao để làm tan chảy và liên kết bột kim loại, tạo ra các sản phẩm có độ cứng tương đương vật liệu gốc. Tuy nhiên, trong thực tế, các đường in 3D SLM thường không ổn định do sự biến đổi của các thông số như mức năng lượng laser và tốc độ quét, dẫn đến các lỗi như đường in đứt quãng, méo mó, ảnh hưởng đến chất lượng sản phẩm cuối cùng. Việc thử nghiệm thực tế để tối ưu các thông số này rất tốn kém về chi phí và thời gian.

Mục tiêu nghiên cứu của luận văn là ứng dụng học sâu, cụ thể là mạng nơ-ron tích chập (CNN), để nhận dạng và phân loại các đường in đơn 3D SLM thành đường in tốt và xấu, từ đó đề xuất các thông số đầu vào tối ưu nhằm đạt được đường in ổn định. Nghiên cứu tập trung trên bộ dữ liệu hình ảnh vi quang học các đường in đơn dài 10 mm, thu thập từ máy in 3D SLM tại một phòng thí nghiệm, với phạm vi thời gian nghiên cứu năm 2022 tại tỉnh Bình Dương. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc giảm chi phí thử nghiệm, nâng cao hiệu quả sản xuất và chất lượng sản phẩm trong ngành công nghiệp in 3D kim loại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và Mạng nơ-ron tích chập (Convolutional Neural Network - CNN). ANN mô phỏng hoạt động của hệ thần kinh sinh học, gồm các lớp nơ-ron kết nối với nhau, có khả năng học từ dữ liệu và dự đoán kết quả. CNN là một dạng mạng nơ-ron sâu, chuyên dùng để xử lý và phân loại hình ảnh, với các lớp tích chập (convolutional layers), lớp hàm kích hoạt phi tuyến (activation layers), lớp rút gọn (pooling layers) và lớp kết nối đầy đủ (fully connected layers). CNN có khả năng trích xuất đặc trưng cục bộ và bất biến với các biến đổi hình ảnh như dịch chuyển, xoay, co giãn.

Các khái niệm chính bao gồm:

• Hàm kích hoạt ReLU (Rectified Linear Unit) giúp tăng tốc độ huấn luyện và giảm hiện tượng gradient biến mất.
• Thuật toán lan truyền ngược (Backpropagation) để cập nhật trọng số mạng dựa trên sai số dự đoán.
• Phép tích chập 2 chiều (conv2D) dùng để trích xuất đặc trưng từ ảnh đầu vào.
• Các kiến trúc CNN tiêu biểu như LeNet, AlexNet, VGG-16, GoogleNet, ResNet và DenseNet, được khảo sát để lựa chọn mô hình phù hợp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ hình ảnh vi quang học gồm 22 hình lớn, chứa tổng cộng 420 đường in đơn 3D SLM dài 10 mm, được tạo ra với các mức năng lượng laser từ 200 đến 500 W và tốc độ quét từ 1000 đến 2000 mm/s. Dữ liệu được phân loại thành 3 loại đường in: liên tục đều, lỗi nhẹ và lỗi nặng. Để tăng kích thước bộ dữ liệu, các đường in đơn được phân hoạch thành 10 và 12 đoạn nhỏ, tạo thành hai bộ dữ liệu gồm 4220 và 5064 hình ảnh tương ứng.

Phương pháp phân tích bao gồm:

• Xử lý ảnh: chuẩn hóa kích thước, lọc nhiễu, phân hoạch dữ liệu thành các đoạn nhỏ.
• Gán nhãn dữ liệu dựa trên đặc điểm đường in tốt (liên tục, đều) và xấu (đứt quãng, méo mó).
• Huấn luyện mô hình CNN với kích thước batch 20 hình, sử dụng thuật toán lan truyền ngược để tối ưu trọng số.
• So sánh kết quả nhận dạng giữa các bộ dữ liệu phân hoạch khác nhau để đánh giá hiệu quả mô hình.

Timeline nghiên cứu kéo dài trong năm 2022, bắt đầu từ thu thập và xử lý dữ liệu, xây dựng mô hình, huấn luyện và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân hoạch dữ liệu: Việc chia các đường in đơn thành 10 và 12 đoạn nhỏ giúp tăng kích thước bộ dữ liệu lên lần lượt 4220 và 5064 hình, tạo điều kiện cho mô hình CNN học tốt hơn. Tỷ lệ đường in xấu chiếm khoảng 54% trong bộ dữ liệu chia 10 và 59% trong bộ chia 12, cho thấy sự cân bằng tương đối giữa hai lớp.

2. Độ chính xác mô hình CNN: Mô hình CNN huấn luyện trên bộ dữ liệu chia 12 đạt độ chính xác nhận dạng đường in tốt và xấu cao hơn khoảng 3-5% so với bộ dữ liệu chia 10, chứng tỏ việc tăng kích thước và độ chi tiết của dữ liệu giúp cải thiện hiệu quả phân loại.

3. Khả năng nhận dạng đặc trưng: Mạng CNN với 9 tầng và 4 lớp tích chập đã tự động trích xuất được các đặc trưng quan trọng từ ảnh vi quang học, phân biệt rõ ràng các đường in tốt và xấu, giảm thiểu sai số nhầm lẫn giữa hai lớp.

4. Tiết kiệm chi phí thử nghiệm: Việc ứng dụng mô hình học sâu giúp dự đoán chính xác các thông số in 3D SLM để tạo ra đường in ổn định, giảm số lần thử nghiệm thực tế, tiết kiệm chi phí vận hành máy in và nguyên liệu.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác khi tăng kích thước bộ dữ liệu là do mô hình CNN cần lượng lớn dữ liệu đa dạng để học được các đặc trưng phức tạp của đường in 3D SLM. So với các nghiên cứu trước đây, việc phân hoạch dữ liệu thành nhiều đoạn nhỏ và gán nhãn chi tiết giúp giảm nhiễu và tăng tính nhất quán trong huấn luyện. Kết quả này phù hợp với các báo cáo ngành về ứng dụng CNN trong nhận dạng hình ảnh kỹ thuật.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các bộ dữ liệu phân hoạch, cũng như bảng ma trận nhầm lẫn (confusion matrix) thể hiện tỷ lệ dự đoán đúng/sai của mô hình. Ý nghĩa của nghiên cứu là mở ra hướng tiếp cận mới trong tối ưu hóa quy trình in 3D SLM bằng trí tuệ nhân tạo, góp phần nâng cao chất lượng sản phẩm và giảm chi phí sản xuất.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát tự động: Áp dụng mô hình CNN vào hệ thống giám sát quá trình in 3D SLM để nhận dạng và cảnh báo sớm các đường in không ổn định, giúp điều chỉnh thông số kịp thời. Chủ thể thực hiện: các nhà sản xuất in 3D, thời gian: 6-12 tháng.

2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu từ nhiều loại vật liệu và máy in khác nhau để tăng tính tổng quát của mô hình, nâng cao độ chính xác nhận dạng. Chủ thể thực hiện: phòng nghiên cứu và phát triển, thời gian: 12-18 tháng.

3. Tối ưu thuật toán học sâu: Nghiên cứu và áp dụng các kiến trúc CNN tiên tiến như ResNet hoặc DenseNet để cải thiện khả năng học và giảm thời gian huấn luyện. Chủ thể thực hiện: nhóm kỹ thuật AI, thời gian: 6 tháng.

4. Đào tạo nhân lực chuyên môn: Tổ chức các khóa đào tạo về học sâu và xử lý ảnh kỹ thuật cho kỹ sư vận hành máy in 3D nhằm nâng cao năng lực ứng dụng công nghệ mới. Chủ thể thực hiện: các trường đại học và trung tâm đào tạo, thời gian: liên tục.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo: Nghiên cứu về ứng dụng học sâu trong xử lý ảnh kỹ thuật và tối ưu hóa quy trình sản xuất.

2. Kỹ sư và chuyên gia trong lĩnh vực in 3D và sản xuất kim loại: Áp dụng mô hình nhận dạng để nâng cao chất lượng sản phẩm và giảm chi phí thử nghiệm.

3. Doanh nghiệp sản xuất và cung cấp dịch vụ in 3D: Tối ưu hóa quy trình sản xuất, nâng cao hiệu quả vận hành máy in SLM.

4. Các tổ chức đào tạo và phát triển nguồn nhân lực: Sử dụng luận văn làm tài liệu tham khảo trong giảng dạy và nghiên cứu ứng dụng công nghệ mới.

Câu hỏi thường gặp

1. Học sâu có thể áp dụng cho các loại máy in 3D khác ngoài SLM không?
   Có, mô hình học sâu như CNN có thể được điều chỉnh để nhận dạng và phân loại dữ liệu hình ảnh từ các công nghệ in 3D khác, tuy nhiên cần thu thập dữ liệu phù hợp để huấn luyện.

2. Bộ dữ liệu sử dụng trong nghiên cứu có đủ lớn để đảm bảo độ chính xác không?
   Bộ dữ liệu ban đầu nhỏ, nhưng qua phân hoạch thành nhiều đoạn nhỏ đã tăng lên hơn 5000 hình, đủ để mô hình CNN đạt độ chính xác ổn định trên 90%.

3. Mô hình CNN có thể dự đoán chính xác các thông số in để tạo đường in ổn định không?
   Mô hình nhận dạng đường in tốt/xấu giúp dự đoán các thông số đầu vào tối ưu, từ đó cải thiện độ ổn định của đường in trong thực tế.

4. Chi phí áp dụng mô hình học sâu trong sản xuất có cao không?
   Chi phí ban đầu cho phát triển và triển khai mô hình có thể cao, nhưng về lâu dài giúp giảm chi phí thử nghiệm và tăng hiệu quả sản xuất, mang lại lợi ích kinh tế lớn.

5. Có thể mở rộng nghiên cứu này cho các vật liệu in khác nhau không?
   Có thể, nhưng cần thu thập dữ liệu hình ảnh vi quang học tương ứng với từng loại vật liệu để huấn luyện mô hình phù hợp.

Kết luận

• Ứng dụng học sâu, đặc biệt là mạng nơ-ron tích chập CNN, đã chứng minh hiệu quả trong việc nhận dạng và phân loại các đường in đơn 3D SLM thành đường in tốt và xấu với độ chính xác cao.
• Phân hoạch dữ liệu thành các đoạn nhỏ giúp tăng kích thước bộ dữ liệu, cải thiện khả năng học của mô hình.
• Kết quả nghiên cứu góp phần tối ưu hóa quá trình in 3D SLM, giảm chi phí thử nghiệm và nâng cao chất lượng sản phẩm.
• Đề xuất triển khai hệ thống giám sát tự động và mở rộng bộ dữ liệu để nâng cao tính ứng dụng thực tiễn.
• Các bước tiếp theo bao gồm phát triển mô hình CNN tiên tiến hơn, thu thập dữ liệu đa dạng và đào tạo nhân lực chuyên môn.

Quý độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm các giải pháp học sâu trong lĩnh vực in 3D để thúc đẩy sự phát triển công nghiệp hiện đại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 1. Mạng Nơ- ron tích chập 1. Mạng Nơ- ron nhân tạo Mạng Nơ-ron nhân tạo (Artificial Neural Network – ANN hay Neural Network) là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật hay còn gọi là mạng Nơ-ron sinh học (Hình 1. Cấu tạo từ số lượng lớn các nơ-ron được kết nối với nhau để xử lý thông tin.

ANN giống như bộ não con người, được học bởi kinh nghiệm thông qua huấn luyện, có khả năng lưu giữ những kinh nghiệm tri thức và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết. ANN được giới thiệu năm 1943 bởi nhà thần kinh học Warren McCulloch và nhà logic học Walter Pits. 1: Mạng Nơ-ron sinh học1 Một số ứng dụng của Mạng Nơ-ron được sử dụng trong nhiều lĩnh vực khác nhau như kinh tế, giáo dục, y tế, công nghệ thông tin, công nghệ blockchain,… để giải quyết một số bài toán phúc tạp đòi hỏi độ chính xác cao trong khai phá dữ liệu, nhận dạng hình ảnh….đỉnh hình là các giao dịch chứng khoán, nén hình ảnh, tối ưu quãng đường di chuyển,….com 6 Cấu trúc của một mô hình ANN gồm 3 tầng: lớp đầu vào (input layer), các lớp ẩn (hidden layers) và lớp cuối cùng là lớp đầu ra (output layer); các hình tròn được gọi là node được mô tả trong hình 1.2 [2], trong đó, lớp ẩn có thể có nhiều lớp nơ-ron để nhận dữ liệu từ các lớp trước để xử lý sau đó chuyển đổi các dữ liệu này cho các lớp kế tiếp. 2: Cấu trúc mạng Nơ-ron nhân tạo [2] Mỗi mô hình luôn có một lớp đầu vào, một lớp cuối cùng, có thể có hoặc không có các lớp ẩn.

Tổng số các lớp trong môn hình được quy ước là số lớp (không tính lớp đầu vào) Mỗi node trong mạng ANN được gọi là một Nơ-ron. Các dữ liệu đầu vào được truyền đến mỗi Nơ-ron nhận xử lý chúng và trả ra một kết quả duy nhất. Kết quả đầu ra của nơ- ron này có thể làm dữ liệu đầu vào của các nơ-ron khác. Quá trình xử lý của một nơ-ron trong ANN được mô tả như Hình 1.

Trong đó, đầu vào là dữ liệu input, còn đầu ra là dữ liệu output. Trọng số liên kết hay trọng số (connection weights hay gọi tắt là weights) là thành phần rất quan trọng, thể hiện mức độ quan trọng đối với quá trình xử lý dữ liệu từ lớp này sang lớp khác. Quá trình học của ANN thực ra là quá trình điều chỉnh trọng số của các dữ liệu đầu vào. 3: Quá trình xử lý của một nơ-ron trong ANN [1] Hàm tính tổng của tích trọng số và dữ liệu vào của một Nơ -ron có k dữ liệu đầu vào của lớp thứ i là: ai   xk wi ,k (1.

1) Hàm kích hoạt hay hàm chuyển đổi (activation function) tính toán đầu ra của một nơ-ron để chuyển đến lớp tiếp theo trong mạng nơ-ron. Trong mạng Hàm kích hoạt phi tuyến được sử dụng vì mạng chỉ sử dụng các hàm kích hoạt tuyến tính có thể lược giản thông qua các biến đổi đại số thành mô hình perceptron một lớp (là mô hình ANN đơn giản nhất, không có lớp ẩn). Một số hàm kích hoạt phi tuyến thường dùng là ReLU (Rectified Linear Unit), sigmoid, logistic, Gaussian, tanh, softmax. 2) 1 e x ex e x Hàm tanh: tanh x (1.

3) ex e x Hàm ReLU: ReLU x max 0, x (1. 4: Đồ thị và công thức các hàm kích hoạt: (a) Hàm Sigmoid; (b) Hàm Tanh; (c) Hàm ReLU2 9 Hàm tổng của mạng Nơ-ron đầu ra tùy thuộc và bộ dữ liệu mà nó có thể có giá trị rất lớn, vì vậy hàm kích hoạt được dùng để xử lý đầu ra để chuyển đến lớp tiếp theo. Ngoài việc sử dụng hàm kích hoạt, ta cũng có thể sử dụng các hàm ngưỡng (threshold function) để kiểm soát đầu ra của mạng nơ-ron. Một số dạng mạng nơ-ron nhân tạo: Một ANN được gọi là mạng liên kết đầy đủ (fully connected) nếu mọi đầu ra từ một tầng liên kết với mọi nơ-ron của tầng kế tiếp.

Một ANN được gọi là mạng liên truyền tiến (feedforward network) nếu không có bất kỳ đầu ra của một nút là đầu vào của một nút khác thuộc cùng tầng (hoặc thuộc một tầng phía trước). Một ANN được gọi là mạng phản hồi (feedback network) nếu các đầu ra của một nút liên kết ngược lại làm các đầu vào của một nút thuộc cùng tầng (hoặc thuộc một tầng phía trước). Nếu phản hồi là liên kết đầu vào đối với các nút thuộc cùng tầng, thì đó gọi là mạng phản hồi bên (lateral feedback network). Một ANN được gọi là mạng hồi quy (recurrent network) nếu các mạng phản hồi có các vòng lặp kín (closed loops).

Quá trình học của mạng nơ-ron là quá trình xử lý và truyền dữ liệu theo các kết nối và thay đổi giá trị trọng số tại các nút để đạt được kết quả tốt nhất. Mạng nơ-ron thường được huấn luyện theo ba phương pháp học, đó là học có giám sát, học không giám sát và học tăng cường: Học có giám sát (supervised learning): là phương pháp học từ một tập dữ liệu huấn luyện ta đã biết trước nhãn của dữ liệu cần học và số lớp cần phân loại của bộ dữ liệu được đem đi huấn luyện. Đây là phương pháp học phổ biến nhất trong các phương pháp học của mạng nơ-ron. Mục đích của phương pháp này là từ tập dữ liệu đã gán nhãn qua quá trình học tạo ra một hàm số thật tốt để khi có dữ liệu mới ta có thể tính hay dự đoán được nhãn tương ứng của dữ liệu đó [1].

10 Phương pháp học có giám sát được chia làm hai loại chính: - Phân loại (classification): Nếu các nhãn của bộ dữ liệu đầu vào được chia thành một số hữu hạn nhóm. Ví dụ: Gmail xác định xem một email có spam hay không, bài toán nhận dạng chữ viết tay,… - Hồi quy (Regression): Nếu các nhãn của bộ dữ liệu đầu vào không được chia thành các nhóm mà là một giá trị thực cụ thể. Ví dụ bài toán về dự đoán giá nhà, dự đoán tuổi,…. Học không giám sát (Unsupervised Learning): trong thuật toán này chúng ta không biết được dữ liệu đầu ra hay nhãn của nó mà chỉ có dữ liệu đầu vào.

Thuật toán sẽ dựa vào cấu trúc của dữ liệu để thực hiện các công việc như phân nhóm hay giảm chiều của dữ liệu,…để thuận tiện trong lưu trữ và tính toán. Học không giám sát dựa trên các quan hệ tương tự, sự đồng xuất hiện, hay các phép biến đổi ma trận. Một số thuật toán học không giám sát như K-mean, DBSCAN, Spectral Clustering, Hierarchical clustering- Apriori (Association Rule Mining)- PCA, SVD,… Học tăng cường (Reinforcement Learning): là phương pháp học để đưa ra một chuỗi các quyết định. Học tăng cường bằng cách thử nghiệm dữ liệu để khám phá ra hành động nào là tốt nhất như trò chơi.

Máy tính sử dụng thử và sai (trial and error) để đưa ra giải pháp cho vấn đề. Các máy (agent) sẽ nhận được phần thưởng (reward) hoặc hình phạt (penalty) cho những hành động(action) mà nó thực hiện. Mục tiêu của nó là tối đa hóa tổng phần thưởng. Môi trường học thường được biểu diễn dưới dạng quy trình quyết định markov (Markov Decision Process - MDP) trạng thái hữu hạn và các thuật toán học tăng cường liên quan đến các kỹ thuật quy hoạch động.

Hiện tại, học tăng cường được ứng dụng trong các lĩnh vực kinh doanh, tiếp thị, quảng cáo giúp phân tích hành vi khách hàng từ đó đưa ra các chiến lược kinh 11 doanh phù hợp. Một điểm mạnh rất lớn của học tăng cường được ứng dụng trong việc trợ giúp các hệ thống đề xuất như tin tức, ứng dụng âm nhạc và các ứng dụng loạt phim như Netflix, v. Các ứng dụng này hoạt động theo sở thích của khách hàng. Đặc biệt học tăng cường thường được sử dụng chính trong Lý thuyết trò chơi, thuật toán xác định các hành động để đạt được số điểm tốt nhất.

Ví dụ như AlphaGo, Alpha Zero là các thuật toán chơi game cho các trò chơi như cờ vua, shogi và cờ vây. 5: Trò chơi Alpha Go3 Thuật toán lan truyền ngược Thuật toán lan truyền ngược (Backpropagation Algorithm) là thuật toán cốt lõi giúp các mô hình học sâu có thể dễ dàng thực thi tính toán được. Nhờ thuật toán này mà thuật toán tối ưu với đạo hàm (gradient descent) có thể nhanh hơn hàng triệu lần. Thuật toán lan truyền ngược tìm kiếm một vecto các trọng số (weight vecto) giúp cực tiểu hoá lỗi tổng thể của hệ thống khi huấn luyện, sử dụng kỹ thuật giảm theo hướng vecto gradient nhưng với độ phức tạp của hàm lỗi lớn hơn, nó còn gọi là một dạng tổng quát của thuật toán trung bình bình phương tối thiểu (Least Means Square – LMS).

Giả sử J(W,b, X, Y) là hàm lỗi của bài toán, trong đó W, b là tập hợp tất cả các ma trận trọng số giữa các lớp và vecto hướng của mỗi lớp; X, Y là cặp dữ liệu 3 khoahoc.tv 12 huấn luyện với mỗi cột tương ứng với một điểm dữ liệu. Đầu vào các lớp ký hiệu là z, đầu ra mỗi node ký hiệu là a. Đầu ra của node thứ i trong lớp thứ l ký hiệu là ai (l ). Vecto biểu diễn đầu ra của lớp thứ l được ký hiệu là a ( l )  d (l ) ( d ( l ) là số node trong lớp l ).Khi đó đầu ra dự đoán ŷ của dữ liệu đầu vào x của mạng neural truyền thẳng đa lớp được tính như sau: a(0)  x (1.

9) Đây là bước truyền thẳng vì cách tính toán được thực hiện từ lớp đầu tiên đến lớp cuối cùng của mạng nơ-ron. Phương pháp phổ biến nhất để tối ưu mạng nơ-ron truyền thẳng đa lớp là phương pháp trượt dốc (Gradient Descent). Để áp dụng phương pháp này, ta cần tính đạo hàm của hàm lỗi theo ma trận trọng số W (l ) và vecto hướng b(l ). 11) N n1 n 1 2 Từ công thức (1.11) ta thấy việc tính toán trực tiếp các giá trị này cực kỳ phức tạp vì hàm lỗi không phụ thuộc trực tiếp vào các hệ số.

Do đó, phương pháp lan truyền ngược được sử dụng phổ biến nhất giúp tính đạo hàm ngược từ lớp cuối cùng đến lớp đầu tiên.Lớp cuối cùng được tính toán trước vì nó gần hơn với dự 13 đoán đầu ra và hàm lỗi. Việc tính toán đạo hàm của các lớp trước được dựa trên quy tắc chuỗi mắt xích hay còn gọi là đạo hàm của hàm hợp.