基于机器学习发现增材制造中的喷溅本构模型
机器学习
2025-02-05 v2 人工智能
摘要
增材制造 (AM) 是一种快速发展的技术，因其能够制造复杂几何形状而在广泛的领域获得应用。然而，AM 的关键挑战之一是实现一致的打印质量。这种不一致性常常归因于受控不完全的熔池动力学，部分原因是喷溅可能导致缺陷。因此，捕捉和控制熔池的演化对于提高过程稳定性和部件质量至关重要。本研究开发了一种框架，支持高效 AM 过程操作的决策，能够通过机器学习 (ML) 和多项式符号回归模型促进质量控制并最小化缺陷。我们实现了经过实验验证的计算工具， specifically 用于激光粉末床熔融 (LPBF) 过程，以降低成本收集大规模数据集。该数据集包含 281 种不同的工艺条件，提取了熔池尺寸（长度、宽度、深度）、熔池几何（面积、体积）以及以体积表示的喷溅。使用机器学习 (ML) 和多项式符号回归模型，实现了在训练和测试数据集上对熔池尺寸和几何特征预测达到 95% 以上的高 R2值。对于喷溅体积，经过对数转换模型输入后，R2值得以提高。经过检验的 ML 模型中，ExtraTree 模型实现了最高的 R2值，分别为 96.7% 和 87.5%。
引用
@article{arxiv.2501.08922,
title = {Discovery of Spatter Constitutive Models in Additive Manufacturing Using Machine Learning},
author = {Olabode T. Ajenifujah and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2501.08922},
year = {2025}
}