选择性激光化增材制造工艺的数据驱动的非侵入性减少顺序建模,使用正确的直角分解和卷积自编码器

科学领域:

• 计算力学是计算力学.
• 材料科学 是一种材料科学.
• 机器学习 机器学习

背景情况:

• 增材制造 (AM) 工艺产生复杂的热力学数据.
• 准确和高效的AM建模对于质量控制和流程优化至关重要.
• 传统的高保真模拟在计算上昂贵.

研究的目的:

• 提出和比较两个基于数据的,非侵入性的减少顺序模型 (ROM) 对于AM过程.
• 评估POD-ANN和CAE-MLP模型在预测热力学行为的准确性和效率.
• 对实验数据进行模型预测的验证.

主要方法:

• 开发了一个POD-ANN模型,将正确的直角分解与人工神经网络相结合,用于缩小维度和回归.
• 开发了一个CAE-MLP模型,使用1D卷积自编码器进行空间维度缩小和多层感知子进行回归.
• 使用这两种模型对一个AM制造的部件进行了热力学分析.

主要成果:

• 两种POD-ANN和CAE-MLP模型都显示出与高保真模拟结果的强烈相关性.
• 模型预测与各种地点的实验数据有很好的一致性.
• 与POD-ANN模型相比,CAE-MLP模型显示出更高的预测准确性和性能.

结论:

• 数据驱动的ROM,特别是CAE-MLP,为AM流程的高效准确分析提供了一个有希望的方法.
• 将减少顺序建模与机器学习集成在一起,可以增强复杂的AM的分析.
• 拟议的模型为未来的增材制造研究和应用提供了坚实的框架.