利用机器学习辅助模拟准确高效地预测激光材料加工中的小孔动力学
材料科学
2025-06-09 v2 计算工程、金融与科学
摘要
小孔现象已在激光材料加工中被广泛观察到，包括激光焊接、重熔、熔覆、钻孔和增材制造。小孔诱导的缺陷（主要是气孔）会显著影响最终产品的性能，阻碍这些基于激光的技术的广泛应用。这些气孔的形成通常与小孔的动态行为有关。迄今为止，准确表征和预测小孔特征（特别是小孔深度）随时间的变化一直是一项具有挑战性的任务。利用同步辐射 X 射线技术对小孔动态行为进行原位表征虽然信息丰富，但复杂且昂贵。目前的模拟通常由于缺乏准确的激光吸收率数据，而在预测小孔深度方面的准确性和泛化能力较差。在本研究中，我们开发了一种机器学习辅助的模拟方法，能够在广泛的加工参数范围内准确预测小孔动力学，特别是小孔深度的波动。在涉及钛合金和铝合金的两个案例研究中，我们实现的小孔深度预测平均绝对百分比误差为 10%，优于使用光线追踪法模拟的 30% 误差范围，同时也减少了计算时间。这种卓越的保真度和效率使我们的模型能够成为同步辐射实验的高性价比替代方案。我们的机器学习辅助模拟方法成本低廉且易于部署于各种材料，为消除或减少各种激光材料加工技术中的缺陷开辟了新的途径。
引用
@article{arxiv.2402.16190,
title = {Accurate and efficient predictions of keyhole dynamics in laser materials processing using machine learning-aided simulations},
author = {Jiahui Zhang and Runbo Jiang and Kangming Li and Pengyu Chen and Shengbo Bi and Xiao Shang and Zhiying Liu and Jason Hattrick-Simpers and Brian J. Simonds and Qianglong Wei and Hongze Wang and Tao Sun and Anthony D. Rollett and Yu Zou},
journal= {arXiv preprint arXiv:2402.16190},
year = {2025}
}