用于激光粉末床增材制造温度预测的长短期记忆神经网络
人工智能
2023-01-31 v1 机器学习
摘要
在激光粉末床熔融（L-PBF）背景下，已知最终制造产品的性能高度依赖于制造板上的温度分布及其梯度。在本文中，我们提出了一种新方法，利用神经网络预测打印过程中的温度梯度分布。这是通过采用由优化打印协议仿真生成的热图，并用于训练一个专门定制的以长短期记忆架构实现的循环神经网络来实现的。其目的在于避免打印过程中板上可能出现的极端且不均匀的温度分布。为了训练该神经网络，我们采用了精心设计的仿真和无监督学习框架。为了保持板上最小化的平均热梯度，引入了一个代价函数作为核心准则，该准则通过考虑著名旅行商问题（TSP）获得启发并优化。随着时间推移，由 TSP 主导的无监督打印过程产生一系列保持最小化平均热梯度的温度热图历史。总而言之，我们提出了一种智能打印工具，为 L-PBF 中关键打印过程组件提供控制，即最优喷嘴轨迹部署以及用于控制打印质量的在线温度预测。
引用
@article{arxiv.2301.12904,
title = {Long Short-Term Memory Neural Network for Temperature Prediction in Laser Powder Bed Additive Manufacturing},
author = {Ashkan Mansouri Yarahmadi and Michael Breuß and Carsten Hartmann},
journal= {arXiv preprint arXiv:2301.12904},
year = {2023}
}