通过使用小型数据集机器学习优化通过直接能量沉积生产的β-Ti合金的制造
Ryan Brooke1, Dong Qiu1, Tu Le1
1Centre for Additive Manufacturing, School of Engineering, RMIT University, Melbourne, VIC, 3000, Australia.
Scientific reports
|March 24, 2024
概括
机器学习模型可以预测增材制造的结果,例如层高度和粒度大小. 人工神经网络的性能优于传统方法,揭示了个体过程参数,而不仅仅是全球能量分布,是可重现性的关键.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 计算材料科学科学 计算材料科学
背景情况:
- 增材制造 (AM) 的成功取决于优化影响产品质量的过程参数.
- 全球能量分布 (GED) 是一个常见的指标,但它的组件 (激光功率,扫描速度,点大小) 有复杂的影响.
- 由于各种过程参数的相互作用,AM中的可复制性具有挑战性.
研究的目的:
- 开发机器学习模型,用于预测AM中的层高度和粒度大小.
- 评估人工神经网络 (ANN) 与多线性回归 (MLR) 的预测性能.
- 调查个人GED组成参数对AM结果的影响.
主要方法:
- 利用机器学习,特别是人工神经网络 (ANN),用于预测建模.
- 使用多线性回归 (MLR) 作为比较的基准.
- 分析了激光功率,扫描速度和斑点大小对层高度和粒度大小的影响.
主要成果:
- 该模型实现了高精度:层高度为0.97的R2 (RMSE 0.03毫米),颗粒大小为0.85的R2 (RMSE 9.68微米).
- 与MLR相比,ANN在层高度和粒度大小预测方面都显示出更高的误差降低.
- 观察到的颗粒精细化,激光功率降低和扫描速度增加,在Ti-合金中得到验证.
结论:
- 个别的工艺参数显著影响AM层高度和颗粒大小,挑战对GED的唯一依赖可重复性.
- 一个ANN模型提供了准确的预测,提供了对参数特定效应的洞察力.
- 了解每个参数的独特贡献对于实现一致的AM结果至关重要.
