人工智能驱动的非常高周期疲劳控制:优化微观结构设计用于选择性激光化Ti-6Al-4V
Mustafa Awd1,2, Frank Walther3
1Institute for Informatics and Automation (IIA), Bremen City University of Applied Sciences (HSB), Flughafenallee 10, D-28199 Bremen, Germany.
Materials (Basel, Switzerland)
|April 24, 2025
概括
机器学习优化了耐用,耐疲劳的组件的增材制造. 这种方法提高了材料性能,并将设计周期缩短了50%以上,用于关键的航空航天和生物医学应用.
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
- 计算科学 计算科学
背景情况:
- 增材制造 (AM) 为先进的材料设计提供了机会.
- 在关键应用中,优化材料性能以提高耐疲劳性至关重要.
- 高循环疲劳 (HCF) 测试对于评估材料耐用性至关重要.
研究的目的:
- 将机器学习 (ML) 集成到AM中,以提高材料性能和耐疲劳性.
- 探索机械 ML 技术来定制微结构.
- 为了加速可靠,高性能元件的设计和生产.
主要方法:
- 使用超声波疲劳测试收集非常高周期疲劳数据 (最多为1x10^10周期).
- 应用机械机器学习模型来预测疲劳值和优化过程参数.
- 分析了微观结构特征,如粒度方向和相位均性.
主要成果:
- 机器学习模型将设计代周期减少了50%以上.
- 通过微观结构改进,疲劳裂传播阻力提高了20-30%.
- 在ML设计的元材料中,实现了15%的重量减轻和提高收益强度.
- 确定了影响和合金微结构演变的关键过程参数 (温度梯度,冷却速率).
结论:
- 在AM中集成ML显著提高了关键组件的疲劳寿命和可靠性.
- 机械制造使轻质,高强度的元材料可用于各种应用的设计.
- 这项研究为智能,适应性制造系统铺平了道路,提高了性能和效率.
