线性混合效应模型,主要组件分析和聚类的应用,用于使用FEM模拟数据直接能量沉积制造部件
Syamak Pazireh1, Seyedeh Elnaz Mirazimzadeh1, Jill Urbanic1
1Department of Mechanical, Automotive and Materials Engineering, University of Windsor, 401 Sunset Ave, Windsor, ON N9B 3P4, Canada.
Materials (Basel, Switzerland)
|October 26, 2024
概括
这项研究揭示了工具路径模式和几何结构如何影响直接能量沉积 (DED) 增材制造. 机器学习模型确定了影响DED零件机械性能的关键因素.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 添加剂制造 添加剂制造 添加剂制造
背景情况:
- 直接能量沉积 (DED) 是一种关键的增材制造工艺.
- 了解影响DED零件性能的因素对于质量控制至关重要.
- 现有的研究往往缺乏对DED过程参数的全面数据驱动分析.
研究的目的:
- 调查工具路径图案,几何学和分层对DED零件机械性能的影响.
- 应用数据分析和机器学习来预测机械结果.
- 量化不同过程变量的对零件性能贡献.
主要方法:
- 使用了12个案例研究,包括4个几何形状和3个工具路径模式.
- 进行了有限元法 (FEM) 模拟,用于应力和应变分析.
- 采用线性混合效应 (LME) 模型,主要组件分析 (PCA) 和自组织地图 (SOM) 集群.
主要成果:
- LME模型量化了几何,工具路径和层数对机械性能的重大贡献.
- PCA确定了驱动机械性能变化的关键变量.
- 索姆聚类揭示了与几何和工具路径相关的应力和应变分布的明显模式.
结论:
- LME,PCA和SOM提供了对DED制造组件的机械性能有价值的见解.
- 数据驱动的方法对于理解复杂的增材制造工艺是有效的.
- 优化工具路径和几何结构对于提高DED零件性能至关重要.
