一种基于图像的迁移学习方法：利用原位加工数据预测激光粉末床熔融增材制造 Ti-6Al-4V 的力学性能
应用物理
2024-02-26 v1
摘要
减轻增材制造（AM）过程中的材料缺陷对于确保制造部件的可靠性至关重要，而这需要通过建模建立可用的构建监测信号与最终力学性能之间的复杂关系来实现。为此，本研究调查了一种机器学习方法，利用原位光电二极管加工信号预测通过激光粉末床熔融（PBF-LB）增材制造技术制造的 Ti-6Al-4V 的力学性能。样品在不同的加工参数下制造，改变了激光功率和扫描速度，以探测广泛的微观结构和性能变化。在制造过程中收集了光电二极管数据，随后将其整理为图像格式，并通过迁移在大型计算机视觉基准图像数据库上预训练的深卷积神经网络（DCNN）结构和权重，提取出信息密集的向量。然后，使用提取的特征训练和测试新设计的力学性能回归模型。研究发现，对于极限抗拉强度（样品研究范围为 900 至 1150 MPa）的预测，平均交叉验证准确率为 98.7%（值为 0.89）；对于断裂伸长率（范围为 0 至 17%）的预测，准确率为 93.1%（值为 0.96）。因此，凭借高精度和硬件加速的推理速度，我们证明了迁移学习框架可用于基于 PBF-LB 中的加工信号预测金属增材制造部件的强度和延展性，展示了工业应用中实现 PBF-LB 实时闭环控制和工艺优化的潜在途径。
引用
@article{arxiv.2402.14945,
title = {An image-based transfer learning approach for using in situ processing data to predict laser powder bed fusion additively manufactured Ti-6Al-4V mechanical properties},
author = {Qixiang Luo and John D. Shimanek and Timothy W. Simpson and Allison M. Beese},
journal= {arXiv preprint arXiv:2402.14945},
year = {2024}
}