长期短期内存网络用于模拟激光金属沉积中的轨道几何学
Martina Perani1, Ralf Jandl1, Stefano Baraldo2
1Laboratory for Web Science, Department for Research and Services, Fernfachhochschule Schweiz (FFHS), Brig, Switzerland.
Frontiers in artificial intelligence
|July 7, 2023
概括
这项研究引入了一个长期短期记忆神经网络,以模拟激光金属沉积中的过度沉积. 该模型准确预测复杂几何形状的过度沉积高度,从而实现实时过程控制.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造过程 制造过程 制造过程
- 人工智能在制造业中的应用
背景情况:
- 过度沉积是激光金属沉积 (LMD) 的常见问题,特别是当沉积头改变方向时,导致基板上过多的材料.
- 对过度沉积的准确建模对于开发在线流程控制系统至关重要,以最大限度地减少这种现象.
- 当前的LMD过程需要精确的控制来实现所需的几何精度和制造部件的机械性能.
研究的目的:
- 开发和评估一个长期短期记忆 (LSTM) 神经网络模型,用于预测金属添加剂制造中的过度沉积.
- 评估模型对复杂和以前未见的几何形状的概括能力.
- 证明使用LSTM模型在LMD中进行在线流程控制的可行性.
主要方法:
- 一个长期短期记忆 (LSTM) 神经网络被开发用于模拟过度沉积.
- 使用简单几何形状的数据来训练LSTM模型,包括用Inconel 718制成的直轨,螺旋轨道和V轨道.
- 模型的性能被评估为预测更复杂的随机轨道几何形状的过度沉积.
主要成果:
- LSTM模型表现出良好的概括能力,准确预测复杂的,未见的随机轨道的过度沉积高度,性能降低最小.
- 将少量的随机轨道数据纳入训练数据集,显著提高了模型在这些形状上的性能.
- 该研究证实了该模型对沉积参数实时调整的潜力,以减少过度沉积.
结论:
- 开发的LSTM神经网络在模拟和预测激光金属沉积过程中的过度沉积方面是有效的.
- 该模型的概括和适应新几何学的能力使其适合在线过程控制应用程序.
- 这种方法为提高金属增材制造的精度和效率提供了可行的解决方案.
