使用机器学习增强的计算流体动力学建模预测电子束接透深度
Yi Yin1,2, Yingtao Tian1, Jialuo Ding2
1Department of Engineering, Lancaster University, Bailrigg, Lancaster LA1 4YW, UK.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究提出了一种新的方法,通过结合计算流体动力学 (CFD) 和人工神经网络 (ANN) 来预测电子束 (EBW) 透深度. 这种高效的方法降低了成本,并改善了接质量控制.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算物理 计算物理
- 制造业 制造技术 制造技术
背景情况:
- 精确预测电子束 (EBW) 透深度对于质量控制至关重要.
- 像回归分析和神经网络这样的传统方法可能耗时且昂贵.
- 现有的预测模型往往缺乏效率,需要进行广泛的初步测试.
研究的目的:
- 开发一种新,高效,准确的方法来预测EBW透深度.
- 将计算流体动力学 (CFD) 建模与人工神经网络 (ANN) 集成,以提高预测准确度.
- 为了减少EBW流程优化所需的时间和财务资源.
主要方法:
- 计算流体动力学 (CFD) 建模和人工神经网络 (ANN) 的协同组合.
- 应用CFD来模拟EBW所涉及的物理过程.
- 使用CFD生成的数据和实验参数进行ANN模型的培训和验证.
- 开发一个光束特征化方法,以实现更广泛的应用.
主要成果:
- 综合CFD-ANN方法在预测EBW透深度方面取得了很高的准确性,平均绝对百分比偏差约为8%.
- 准确的预测在 86 J/mm 到 324 J/mm 的线性电子束功率范围内是一致的.
- 该方法显著减少了昂贵和耗时的初步测试的需要.
结论:
- 合并的CFD-ANN模型为预测EBW透深度提供了高效和准确的解决方案.
- 这种方法可以通过微调关键过程变量来加强对EBW接质量的控制.
- 该方法可适应不同的电子束机器,在工业环境中提供多功能应用.
