数据驱动的预测和不确定性定量定向能量沉积过程参数的过程参数
Florian Hermann1,2, Andreas Michalowski1,3, Tim Brünnette4
1Graduate School of Excellence Advanced Manufacturing Engineering (GSaME), University of Stuttgart, Nobelstraße 12, 70569 Stuttgart, Germany.
Materials (Basel, Switzerland)
|December 9, 2023
概括
本研究引入了使用金属粉末 (DED-LB/M) 进行激光定向能量沉积的新工作流. 它使用高斯过程回归 (GPR) 与不确定性量化来预测所需轨道几何学的过程参数,改进了试错方法.
科学领域:
- 增材制造 增材制造 增材制造
- 材料科学 材料科学 材料科学
- 工艺工程是过程工程.
背景情况:
- 基于激光的使用金属粉末的定向能量沉积 (DED-LB/M) 可实现灵活的,软件定义的制造.
- 在DED-LB/M中实现特定的轨道几何形状需要精确地了解工艺参数.
- 目前的预测方法 (分析,数值,机器学习) 是不够的,需要试错方法.
研究的目的:
- 开发以用户为中心的工作流程,用于预测所需轨道几何形状的最佳DED-LB/M过程参数.
- 为了利用高斯过程回归 (GPR) 与不确定性量化 (UQ) 来预测单轨几何.
- 通过将GPR的UQ与用户专业知识相结合,使过程参数的反向预测成为可能.
主要方法:
- 训练了一种高斯过程回归 (GPR) 模型,使用实验数据从过程参数预测单个DED轨道几何.
- 在GPR模型中包含的不确定性量化 (UQ).
- 开发了一个工作流,利用GPR的UQ和用户专业知识进行逆参数预测,最大限度地减少目标和实际轨道几何之间的偏差.
主要成果:
- 该GPR模型在单个DED轨道的379个横截面上进行了训练和验证.
- 拟议的工作流成功地提出了可能产生所需轨道几何形状的过程参数组合.
- 通过两个示例用例证明了工作流的好处.
结论:
- 新型以用户为中心的工作流有效地预测了所需轨道几何形状的DED-LB/M过程参数.
- 将GPR与UQ和专家知识相结合,比传统的试错方法有了显著的改进.
- 这种方法提高了DED-LB/M软件定义制造的灵活性和效率.
