相关实验视频
Updated: Jul 29, 2026
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
1.8K
在激光弧混合增材制造中,以机器学习驱动的珠子几何和能源效率的多目标优化
Chunyang Xia1,2, Kui Zeng3, Jiawei Ning3
1College of Engineering, Ocean University of China, Qingdao 266100, China.
Materials (Basel, Switzerland)
|December 31, 2025
概括
本研究介绍了激光弧混合增材制造 (LAHAM) 的机器学习框架,以预测和优化珠子几何和能源效率. 开发的模型有效地平衡了沉积精度与能源利用,以改善制造工艺.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造业 制造技术 制造技术
- 计算科学 计算科学
背景情况:
- 由于复杂的非线性过程相互作用,激光弧混合增材制造 (LAHAM) 在预测和控制珠子几何和能源消耗方面存在挑战.
- 准确的预测和控制对于优化LAHAM沉积精度和能源利用至关重要.
研究的目的:
- 在LAHAM开发一个机器学习 (ML) 框架,用于预测珠子的宽度,高度和每单位能量 (DVUE) 的沉积量.
- 优化工艺参数,以提高沉积精度和能源效率.
主要方法:
- 实验数据被用来训练和评估多个回归模型,包括支持向量回归,高斯过程回归 (GPR),神经网络和XGBoost.
- 高斯过程回归 (GPR) 由于其在捕获非线性关系方面的优异性能而被选中,并使用贝叶斯优化和粒子群优化进行进一步优化.
- 优化的GPR模型与NSGA-II多目标优化算法集成.
主要成果:
- 拟议的ML框架成功预测了LAHAM中的珠子几何和DVUE.
- 优化的GPR模型在捕捉复杂的非线性过程动态方面取得了卓越的性能.
- 该NSGA-II算法确定了帕雷托最佳过程参数,平衡几何偏差和DVUE.
结论:
- 开发的ML框架为在混合增材制造中优化工艺参数提供了可靠和智能策略.
- 这种方法有效地平衡了沉积精度和能源利用率.
- 这项研究有助于提高LAHAM过程的控制和效率.
