添加剂制造的合金的微结构识别,使用羔羊波密度网络
Yufeng Huang1, Yang Zhao1,2, Gang Zhao1
1School of Information Science and Engineering, Harbin Institute of Technology (Weihai), Weihai 264209, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
一种新方法使用超声波测试和深度学习来准确识别3D打印合金中的颗粒大小. 这提高了增材制造组件的机械可靠性和质量控制.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 非破坏性测试 不破坏性测试
背景情况:
- 合金的增材制造 (AM) 可以导致不均的粒度,影响机械性能.
- 精确的微结构识别对于优化AM合金可靠性和使用寿命至关重要.
- 现有的方法可能缺乏对各种微观结构的效率和智能.
研究的目的:
- 开发一种高效和智能方法,用于识别AM合金中的多种粒度微结构.
- 将超声波测试与微观结构分析的深度学习相结合.
- 为了提高AM合金组件的机械可靠性和质量控制.
主要方法:
- 使用中央沃罗诺伊结晶 (CVT) 算法构建了细微,粗微和混合粒度微结构的模拟模型.
- 通过使用COMSOL Multiphysics进行激光诱导的超声波Lamb波 (LIULW) 测试模拟.
- 开发了LIULW信号 (时间和频率域) 的综合模拟数据集.
- 在模拟数据集上训练了一个增强的深度学习网络 (Lamb wave-DenseNet).
主要成果:
- 增强的Lamb波-DenseNet在识别三个不同的谷物微观结构类别方面实现了97.93%的准确性.
- 该方法有效地区分了由不同颗粒大小引起的LIULW信号的微妙差异.
- 实验验证证证实了基于模拟的方法.
结论:
- 集成的超声波测试和深度学习方法为AM合金中的微结构识别提供了强大的解决方案.
- 这项工作将微观结构模拟与智能LIULW测试相结合.
- 它为合金零件的大批量制造业的大规模质量控制提供了基础.
