基于机器学习的熔融纤维制造材料弹性性能不确定性特征化用于拓扑优化
材料科学
2024-09-04 v2 无序系统与神经网络
摘要
熔纤 filament 制造（FFF）的层叠工艺使得可生成由拓扑优化生成的复杂结构。由于分层工艺引入的缺陷，对打印部件的弹性模量造成显著随机变异。沿熔接层的弹性模量与基材区域的弹性模量存在差异。准确量化这两个区域中弹性模量的随机变异性对于实现鲁棒的优化设计至关重要。本研究旨在给定数字图像相关（DIC）测量的表面应变场，量化弹性模量场中随机分布的参数。两种统计特性——均值和标准差，足以刻画每个区域中随机弹性模量场的随机特性。本文构建了高效神经网络模型，用于估计 bulk 区域和熔接层中局部弹性模量的空间变化。该模型在具有已知弹性模量分布的合成应变场数据集上进行训练。当标准差小于随机场均值的 60% 时，模型能够较好地将弹性模量与输入应变关联。测试数据上的预测精度（以 R² 评分衡量）为均值和标准差分别为 0.99 和 0.95（熔接材料），为 bulk 材料分别为 0.97。训练好的模型在打印速度为 30 mm/s、挤出温度为 493.15 K 的条件下，基于 DIC 测量的表面应变数据预测 FFF 打印材料的弹性模量分布。模型预测的 bulk 材料均值为 1.2 GPa，标准差为 1 GPa；熔接区域的均值为 400 MPa，标准差为 430 MPa。预测结果的验证表明，该方法可靠地衡量了打印件局部属性的不确定性。
引用
@article{arxiv.2408.05850,
title = {Machine learning for characterizing uncertain elastic properties of fused filament fabricated materials for topology optimization applications},
author = {Zahra Kazemi and Craig A. Steeves},
journal= {arXiv preprint arXiv:2408.05850},
year = {2024}
}