面向激光粉末床熔融增材制造孔隙率分析的物理信息机器学习模型
机器学习
2021-01-15 v1
摘要
为控制零件质量，分析孔隙生成机制至关重要，这为未来的孔隙率控制奠定理论基础。当前的孔隙率分析模型使用机器设置参数，如激光角度和零件姿态。然而，这些基于设置的模型依赖于特定机器，因此通常无法迁移用于不同机器的孔隙率分析。针对该问题，本文提出一种物理信息、数据驱动的模型（PIM），该模型不直接使用机器设置参数预测打印零件的孔隙率水平，而是首先将机器设置解释为物理效应，如激光能量密度和激光辐射压力。然后，根据这些物理的、与机器无关的效应，按照通过、标记、失效类别预测孔隙率水平，而非聚焦于定量孔径预测。经六种学习方法评估，PIM 被证明取得了良好性能，预测误差为 1026%。最后，分析了促孔影响与抑孔影响以用于质量分析。
引用
@article{arxiv.2101.05605,
title = {A Physics-Informed Machine Learning Model for Porosity Analysis in Laser Powder Bed Fusion Additive Manufacturing},
author = {Rui Liu and Sen Liu and Xiaoli Zhang},
journal= {arXiv preprint arXiv:2101.05605},
year = {2021}
}
备注
14 pages