面向增材制造工艺参数优化的多维函数构建

作者提出了一种用于增材制造（AM）工艺参数优化的通用框架，该框架专为高通量实验方法（HTEM）量身定制。鉴于影响 AM 金属构件质量的参数众多，作者主张将 AM 参数集按相对重要性划分为若干阶段（层级），逐层建模直至成功，再系统性扩展框架。作者展示了如何基于神经网络（NN）构建多维函数，成功对采用粉末床法制造的 Inconel 718 高温合金经 HTEM 测试所得的相对密度与洛氏硬度进行建模。作者分析了输入数据集，评估其用于预测的适用性，并展示了如何优化该框架的多维函数构建，以与输入数据集达到最高拟合度。作者还将基于 NN 的多维函数构建与多元线性回归、多项式回归及高斯过程回归（GPR）进行对比，凸显基于 NN 的多维函数构建与 GPR 的相似性，并就各方法对该数据集及当前应用的适用性提供见解。就决定系数 $R^2$ 而言，对于所研究的主要 Inconel 718 HTEM 数据集，具有 5 或 10 个节点的相对简单的单层 NN 优于多元线性回归、二阶多项式回归与 GPR。该研究工作的新颖性在于所提出的通用且可扩展的 NN 框架，其适于与 HTEM 结合用于高温合金及其他材料的 AM 参数优化。