相关实验视频
Updated: May 22, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
634
关于通过有限元模拟和机器学习来预测和优化SS316L的定向能量沉积中的处理参数
Mehran Ghasempour-Mouziraji1,2, Daniel Afonso1,2, Ricardo Alves de Sousa1,2
1TEMA-Centre for Mechanical Technology and Automation, Department of Mechanical Engineering, University of Aveiro, 3810-193 Aveiro, Portugal.
Materials (Basel, Switzerland)
|March 13, 2025
概括
本研究优化了SS316L的定向能量沉积 (DED) 参数,使用有限元模拟和机器学习. 综合方法精确控制了增材制造中的残余应力和几何偏差.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算材料科学科学 计算材料科学
- 增材制造 增材制造 增材制造
背景情况:
- 定向能量沉积 (DED) 是SS316L等金属的关键增材制造工艺.
- 控制剩余应力和几何偏差对于DED零件质量至关重要.
- 优化DED处理参数是复杂的,通常依赖于经验方法.
研究的目的:
- 开发一个综合框架,将有限元 (FE) 模拟和机器学习 (ML) 结合起来,用于DED过程优化.
- 确定SS316L的最佳处理参数组合 (激光功率,扫描速度,激光束半径).
- 为了提高精度和效率,控制DED中的残余应力和位移.
主要方法:
- 使用有限元 (FE) 模拟,并根据先前的研究进行验证.
- 进行了一系列FE模拟,考虑激光功率,扫描速度和激光束半径作为输入.
- 人工神经网络 (ANN) 和非主导排序遗传算法 (NSGA-II) 用于基于ML的优化.
- 进行了确认性测试,以验证ML衍生的结果.
主要成果:
- 该研究成功地集成了FE模拟和ML,以优化SS316L的DED处理参数.
- 开发的方法证明了在管理残余应力和位移方面提高了精度和效率.
- 通过实验测试验证了ML预测的最佳参数,证实了它们的有效性.
结论:
- FE模拟和ML的结合为DED过程优化提供了强大而新的方法.
- 这种综合方法提供了一个切实可行的解决方案,以尽量减少残余应力和几何偏差.
- 这些发现有助于通过改进工艺控制和材料性能来推进增材制造技术.
