激光定向能沉积中准确逆过程优化框架
材料科学
2024-07-25 v1
摘要
在增材制造（AM）中，尤其是基于激光的金属 AM 中，过程优化对于产品质量和生产效率至关重要。然而，在巨大的参数空间中识别最优过程参数是一项艰巨的任务。尽管仿真技术取得了进展，但针对特定材料和几何形状的过程优化仍通过耗时的试错方法实现，常常无法满足处理多个优化目标的需求。机器学习（ML）提供了加速优化过程的强大工具，但大多数现有研究仅聚焦于简单单轨迹打印，难以转化为用于工程应用的 3D 组件制造。本文中，我们基于机器学习模型和遗传算法，开发了激光定向能沉积（DED）中的 Accurate Inverse process optimization framework（AIDED），以辅助激光 DED 过程的优化。使用 AIDED，我们展示了以下结果：（i）准确预测单轨迹（R² 分数 0.995）、多轨迹（R² 分数 0.969）以及多层（宽度误差为 1.07%，高度误差为 10.75%）的横截面熔池几何形状，直接从过程参数出发；（ii）确定用于制造密度大于 99.9% 的多轨迹和多层熔池的合适 hatch 间距和层厚度；（iii）在 1-3 小时内从可自定义的应用目标中逆向识别出最优过程参数。我们还通过实现两个典型目标（快速打印速度和精细打印分辨率）来验证了 AIDED 的有效性。此外，我们展示了该框架从不锈钢到纯镍的高可迁移性。通过 AIDED，我们为面向广泛材料的激光基 AM 过程优化开辟了一条新的“辅助”之路。
引用
@article{arxiv.2407.17338,
title = {Accurate Inverse Process Optimization Framework in Laser Directed Energy Deposition},
author = {Xiao Shang and Evelyn Li and Ajay Talbot and Haitao Wen and Tianyi Lyu and Jiahui Zhang and Yu Zou},
journal= {arXiv preprint arXiv:2407.17338},
year = {2024}
}