数据驱动的方法用于预测选择性激光烧结尼龙-12元件的机械性能和确定加工参数
Ruixuan Tu1, Candice Majewski2, Inna Gitman3
1Division of Surgery and Interventional Science, University College London, London, UK.
Discover mechanical engineering
|March 25, 2025
概括
数据驱动型号为预测选择性激光烧结 (SLS) 尼龙-12特性提供了传统方法的高效替代方案. 模糊推理系统 (FIS) 在将激光设置与材料特征相关联方面表现出最高的准确性.
科学领域:
- 材料科学与工程 材料科学与工程
- 添加剂制造 添加剂制造 添加剂制造
- 计算建模 计算建模
背景情况:
- 对于选择性激光烧结 (SLS) 的传统材料模型是准确的,但成本高且耗时.
- 工程师需要高效的方法来优化激光设置,并预测SLS组件的机械性能.
- 数据驱动的方法为建模复杂的材料行为提供了有希望的替代方案.
研究的目的:
- 开发和比较选择性激光烧结 (SLS) 尼龙-12的计算数据驱动方法.
- 建立处理参数和机械性能之间的交叉相关性.
- 引入直接 (激光设置对属性) 和反向 (属性对激光设置) 估计框架.
主要方法:
- 研究了三种数据驱动的方法:模糊推理系统 (FIS),人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS).
- 制定了直接和反向估计框架,以将激光设置与材料特性联系起来.
- 分析并比较拟议的计算模型的准确性.
主要成果:
- 所有提出的数据驱动方法都为SLS nylon-12提供了准确的估计结果.
- 模糊推理系统 (FIS) 成为评估方法中最准确的方法.
- 开发的框架有效地将加工参数与机械性能相关联.
结论:
- 数据驱动模型,特别是FIS,为SLS尼龙-12的传统方法提供了可行和准确的替代方案.
- 拟议的直接和反向框架允许对激光设置和属性预测进行知情决策.
- 计算方法显著提高了增材制造中的材料表征的效率.
