用于预测金属3D打印畸变的数据驱动参数化降阶模型
机器学习
2024-12-09 v1 计算工程、金融与科学
摘要
在激光粉末床熔融（LPBF）中，施加的激光能量产生高热梯度，导致最终零件出现不可接受的畸变。准确的畸变预测对于优化3D打印过程和制造满足几何精度要求的零件至关重要。本研究引入了数据驱动的参数化降阶模型（ROMs），用于预测不同机器工艺设置下 LPBF 中的畸变。我们提出了一种将正交分解（POD）与高斯过程回归（GPR）相结合的 ROM 框架，并将其性能与基于深度学习的参数化图卷积自编码器（GCA）进行了比较。POD-GPR 模型展示了高精度，预测畸变在 以内，并实现了约 1800 倍的计算加速。
引用
@article{arxiv.2412.04577,
title = {Data-Driven, Parameterized Reduced-order Models for Predicting Distortion in Metal 3D Printing},
author = {Indu Kant Deo and Youngsoo Choi and Saad A. Khairallah and Alexandre Reikher and Maria Strantza},
journal= {arXiv preprint arXiv:2412.04577},
year = {2024}
}
备注
7 pages, 4 figures, NeurIPS Machine Learning for Physical Sciences workshop