基于CNN的丝材送进激光增材制造工艺-熔池关系综合建模
材料科学
2021-03-23 v1 机器学习
信号处理
机器学习
摘要
丝材送进激光增材制造(WLAM)因其高度自动化、高沉积速率与打印件良好质量而广受关注。可降低材料质量不确定性的过程监测与反馈控制尚处于发展初期。机器学习有望通过在工艺设定输入与材料质量结果间建立工艺-结构-性能关联，加速增材制造中新工艺与性能设计的采用。熔池尺寸信息与温度是获得高质量构建的指标，其可直接由工艺参数控制。为就地质量控制之目的，工艺参数应基于过程感知信息（尤其是熔池）实时控制。因此，熔池-工艺关系具有初步重要性。本文分析了在WLAM系统中于一组受控工艺参数下实验收集的熔池就地感知数据。熔池的稳态与瞬态变化随独立工艺参数变化而呈现。提出了一种多模态卷积神经网络(CNN)架构，用于从可测熔池传感器数据直接预测控制参数，以实现期望的几何与微观结构特性。对CNN架构应用丢弃法与正则化以避免过拟合问题。结果强调，将温度剖面作为从图像数据提取特征之外的外部特征输入的多模态CNN，相较基于图像的单一模态CNN方法具有更优预测性能。
引用
@article{arxiv.2103.11588,
title = {Comprehensive process-molten pool relations modeling using CNN for wire-feed laser additive manufacturing},
author = {Noopur Jamnikar and Sen Liu and Craig Brice and Xiaoli Zhang},
journal= {arXiv preprint arXiv:2103.11588},
year = {2021}
}
备注
23 pages