相关实验视频
Updated: May 5, 2026
08:07
Laser-induced Forward Transfer of Ag Nanopaste
Published on: March 31, 2016
11.4K
一种基于图像的转移学习方法,用于在现场处理数据,以预测激光粉末床融合添加制造的Ti-6Al-4V机械性能
Qixiang Luo1, John D Shimanek1, Timothy W Simpson2,3
1Department of Materials Science and Engineering, Pennsylvania State University, University Park, Pennsylvania, USA.
3D printing and additive manufacturing
|March 28, 2025
概括
机器学习使用激光粉床融合 (PBF-LB) 信号准确预测3D打印的Ti-6Al-4V的机械性能. 这种方法可以实现实时流程优化,以提高增材制造的可靠性.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算机科学 计算机科学
背景情况:
- 增材制造 (AM) 需要对可靠部件进行缺陷缓解.
- 建模建模监控信号和机械性能是关键.
- Ti-6Al-4V是AM应用中的关键合金.
研究的目的:
- 研究一种机器学习方法,以预测通过PBF-LB制造的Ti-6Al-4V零件的机械性能.
- 使用现场光二极管处理信号进行属性预测.
- 探索转移学习以提高预测准确度.
主要方法:
- 使用PBF-LB制造的Ti-6Al-4V样品,具有不同的激光功率和扫描速度.
- 在制造过程中收集的现场光二极管数据.
- 应用深层卷积神经网络 (DCNN) 来从光二极管信号中提取特征.
- 训练了一个回归模型,使用提取的特征来预测最终的抗拉强度和延伸到断裂.
主要成果:
- 在预测最终抗拉强度 (900-1150 MPa) 时,获得了98.7%的准确性 (r2=0.89).
- 在预测延伸到断裂 (0-17%) 中,获得了93.1%的准确性 (r2=0.96).
- 证明了高精度和硬件加速的推断速度.
结论:
- 转移学习框架有效地预测金属AM元件的强度和柔性,使用PBF-LB处理信号.
- 这种方法为PBF-LB的实时闭环控制提供了一个潜在的途径.
- 突出了工业增材制造应用中流程优化的途径.
