基于机器学习利用实验数据通过熔池状态-质量关系建模实现原位质量估计
材料科学
2021-03-24 v1 机器学习
摘要
机器学习的进步有望加速金属增材制造中新工艺和性能设计的采用。对于丝材进给激光直接能量沉积工艺，熔池几何形状和熔池温度是最终零件几何形状和微观结构性能的重要指示量。因此，熔池状态-性能关系对于原位质量保证具有首要重要性。为实现对熔覆几何形状和表征性能的原位质量监测，我们需要持续监测丝材进给激光增材制造（WLAM）系统熔池尺寸和温度的传感器数据。我们首先开发了一种机器学习卷积神经网络（CNN）模型，用于从可测量的熔池图像和温度数据直接建立到几何形状和微观结构性能的相关性。该多模态网络以相机图像和温度测量为输入，输出最终构建零件的相应表征性能（例如，熔合区深度、α 板条厚度）。将 CNN 模型的性能与作为基线的回归模型进行比较。所开发的模型实现了熔池状态-质量关系映射，用于构建定量和协同的原位质量估计与保证框架。
引用
@article{arxiv.2103.12066,
title = {Machine learning based in situ quality estimation by molten pool condition-quality relations modeling using experimental data},
author = {Noopur Jamnikar and Sen Liu and Craig Brice and Xiaoli Zhang},
journal= {arXiv preprint arXiv:2103.12066},
year = {2021}
}
备注
23 pages. arXiv admin note: substantial text overlap with arXiv:2103.11588