在大数据和人工智能下预测SLM金属零件的服务状态的机遇和挑战
1School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 102488, China.
Materials (Basel, Switzerland)
|November 27, 2024
概括
这项研究引入了一种新的方法,用于预测使用选择性激光融 (SLM) 技术制造的金属零件的服务状态. 通过将非线性超声波与大数据和人工智能集成,它提高了关键组件的安全性和管理.
科学领域:
- 材料科学与工程 材料科学与工程
- 机械工程 机械工程
- 非破坏性测试是指非破坏性测试.
背景情况:
- 选择性激光化 (SLM) 零件在复杂的操作条件下面临着确保运行安全的挑战.
- 目前的方法很难准确地预测SLM金属零件的服务状态.
- 在苛刻的应用中,需要可靠的方法来评估SLM组件的完整性.
研究的目的:
- 开发一种有效的方法来预测SLM金属零件的服务状态.
- 为了应对无法控制的服务状态的挑战,并确保SLM组件的服务安全.
- 建立一个理论基础和技术保证,精确管理SLM零件的服务安全.
主要方法:
- 使用超声波非线性反应跟踪中视镜损伤演变.
- 澄清了介面尺度损伤和宏观服务状态之间的交叉尺度合机制.
- 构建一个"奇默"模型,将故障机制与大数据和人工智能集成在一起.
主要成果:
- 准确评估SLM金属零件的使用状态.
- 揭示了中观损伤演变和服务状态演变机制.
- 在复杂的操作条件下描述零件的服务状态.
结论:
- 结合非线性超声波,大数据和人工智能,提供了一种有效的方式来评估SLM零件服务状态.
- 拟议的方法为精确管理SLM零件的使用安全提供了理论基础.
- 这种方法对于航空航天,医疗设备和汽车工业等关键领域至关重要.
