开发基于深度学习的决策框架,用于金属增材制造中最佳的过程参数选择

科学领域:

• 制造业 工程 制造工程
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 传统的制造方法,如切割,会产生浪费,并限制设计的复杂性.
• 电弧增材制造 (WAAM) 提供了一个替代方案,但其表面存在不规则性,需要大量的后处理.
• 优化WAAM沉积参数对于生产率至关重要,但由于不断变化的层几何形状而具有挑战性.

研究的目的:

• 开发基于人工智能的框架,用于实时控制多层WAAM中的表面粗度.
• 为了快速识别接近最佳的过程参数,以应对不断变化的珠子几何.
• 通过尽量减少后处理要求来提高WAAM的生产力.

主要方法:

• 使用预训练的深度神经网络 (DNN) 创建了一个大规模的模拟数据集,以预测一百万个珠子几何变化的表面粗度.
• 从模拟数据中获得的最佳参数标签上训练了一种分类模型,以根据当前珠子几何学推基于当前珠子几何学的工艺条件.
• 使用预测器估计的表面粗度评估模型性能,实现高精度,回忆和F1得分 (0.98),平均AUC为0.977.

主要成果:

• 由人工智能驱动的框架在预测最佳WAAM参数方面表现出很高的准确性.
• 使用经过验证的表面粗度预测模型进行的比较分析表明,人工智能推的条件始终降低了预测的表面粗度.
• 人工智能框架实现了加权精度,回忆和F1分数为0.98,平均AUC为0.977.

结论:

• 拟议的AI框架通过识别最佳过程参数,有效地控制WAAM中的表面粗度.
• 由人工智能驱动的优化有可能显著改善WAAM的表面质量.
• 这种方法可以减少对后加工的需求,从而提高整体制造生产率.