一个强大的基于循环神经网络的替代模型,用于定向能量沉积中的热史和池特征
Sung-Heng Wu1, Usman Tariq1, Ranjit Joy1
1Department of Mechanical Engineering, Missouri University of Science and Technology, Rolla, MO 65409, USA.
Materials (Basel, Switzerland)
|September 14, 2024
概括
本研究引入了循环神经网络 (RNN) 来预测定向能量沉积 (DED) 中的融化池特征. RNN模型,特别是Bi-LSTM和GRU,可以准确预测温度和尺寸,改善DED过程控制.
科学领域:
- 添加剂制造 添加剂制造 添加剂制造
- 材料科学 材料科学 材料科学
- 计算建模 计算建模
背景情况:
- 精确控制池特征在定向能量沉积 (DED) 中至关重要,以实现所需的材料特性和几何精度.
- 预测融化池行为的现有方法可能是计算密集的,可能缺乏实时适应性.
研究的目的:
- 开发和验证一个强大的替代模型,用于使用循环神经网络 (RNN) 架构预测DED中的融化池特征.
- 评估不同RNN模型的预测准确性和计算效率,包括长短期内存 (LSTM),双向LSTM (Bi-LSTM) 和门式循环单元 (GRU).
主要方法:
- 利用了从DED过程的多物理模拟中生成的时间序列数据集.
- 采用三因素,三级实验设计,以捕捉一系列的工艺条件.
- 实施和训练LSTM,Bi-LSTM和GRU模型,以预测池峰值温度和几何维度 (长度,宽度,深度).
主要成果:
- Bi-LSTM模型实现了0.983的高R平方值,用于预测池峰值温度.
- 基于GRU的模型在池几何预测方面表现出色,R平方值超过0.88.
- 与传统方法相比,基于RNN的替代模型至少减少了29%的计算时间,突出显示了显著的效率提升.
结论:
- 循环神经网络架构为准确预测DED中的融化池动态提供了强大而高效的工具.
- 开发的RNN替代模型增强了对融化池行为的理解,并促进了DED系统的精确设置和优化.
- 这种方法为增材制造中改善质量控制和工艺可靠性提供了一条途径.
相关概念视频
01:27Energy Line and Hydraulic Gradient Line
Based on Bernoulli's equation, the energy line (EL) and hydraulic grade line (HGL) provide graphical representations of energy distribution in a fluid flow system. For steady, incompressible, inviscid flows, Bernoulli's equation is expressed as:
01:30Typical Model Studies
Fluid mechanics model studies often utilize scaled-down systems to predict fluid behavior in full-scale environments, such as river flows, dam spillways, and structures interacting with open surfaces. Maintaining Froude number similarity in river models is crucial, as it replicates surface flow features like wave patterns and velocities.