机器学习启用对化增材制造 (AM) 样本上光学不明的划痕的定量分析
Betelhiem N Mengesha1, Andrew C Grizzle1, Wondwosen Demisse1
1Mechanical Engineering, University of the District of Columbia, Washington, DC 20008, USA.
Materials (Basel, Switzerland)
|September 28, 2023
概括
这项研究使用机器学习来分析3D打印零件的无电涂层中表面硬度和划痕宽度之间的关系. 研究结果揭示了涂层如何改善工业应用的表面质量.
科学领域:
- 材料科学 材料科学 材料科学
- 表面工程是什么?表面工程是什么?
- 添加剂制造 添加剂制造 添加剂制造
背景情况:
- 添加制造的金属元件往往表现出表面粗,需要后处理.
- 表面硬度对于组件性能至关重要,特别是耐磨性.
- 无电是一种常见的表面处理方法,用于增强组件特性.
研究的目的:
- 为了研究相对表面硬度和划痕宽度在增材制造复合材料组件的无电涂层中的关系.
- 探索K-means无监督机器学习用于表面表征的有效性.
- 评估不同加工参数对表面质量的影响.
主要方法:
- 使用的塔古奇实验设计 (TDOE) L9直角阵列用于参数优化.
- 使用扫描电子显微镜 (SEM) 进行高分辨率的表面成像和3D高度映射.
- 应用K-means集群算法与Python用于划线区域识别和宽度量化.
主要成果:
- 在九个实验样本中实现了明显的无电硬度水平.
- 观察到增加的划痕力和划痕宽度之间的非线性相关性.
- 通过使用SEM和K-means集群成功量化了划痕宽度,克服了光学显微镜的局限性.
结论:
- 无电涂层显著提高了增材制造组件的表面质量.
- 开发的K-means机器学习方法提供了精确的表面表征.
- 改善的表面性能对工业应用和未来的表面工程具有重大影响.
