用于生成金属增材制造过程中孔隙分布的深度学习方法
机器学习
2022-05-13 v1 材料科学
摘要
激光粉末床熔融因其能够批量生产具有更高局部控制能力的复杂零件，已成为广泛采用的金属增材制造（AM）方法。然而，AM 生产的零件可能出现不良孔隙，对打印部件的性能产生负面影响。因此，控制孔隙对于制造有效零件至关重要。精确理解孔隙分布对于准确模拟潜在的疲劳与失效区域至关重要。先前关于生成合成多孔微结构的研究已成功生成具有高密度、各向同性孔隙分布的零件，但往往不适用于更稀疏、依赖于边界的孔隙分布情况。我们的工作通过提供一种考虑这些约束的方法弥补了这一差距，该方法将生成问题解构为其组成部分。我们引入了一个框架，将生成对抗网络（GAN）与基于 Mallat 散射变换的自相关方法相结合，以构建单个孔隙几何与表面粗糙度的新实现，然后随机重构它们以形成多孔打印零件的实现。基于统计与维度度量（如最近邻距离、孔隙体积、孔隙各向异性以及基于散射变换的自相关），将生成的零件与现有实验孔隙分布进行比较。
引用
@article{arxiv.2205.05794,
title = {Deep-Learned Generators of Porosity Distributions Produced During Metal Additive Manufacturing},
author = {Francis Ogoke and Kyle Johnson and Michael Glinsky and Chris Laursen and Sharlotte Kramer and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2205.05794},
year = {2022}
}