用于预测增材制造材料疲劳性能的机器学习
材料科学
2023-04-25 v1
摘要
增材制造（AM）材料的疲劳性能取决于诸多因素，如 AM 工艺参数、微观组织、残余应力、表面粗糙度、孔隙率、后处理等。其评估不可避免地需要尽可能多地综合这些因素，从而导致效率低且成本高。近年来，利用机器学习（ML）之力进行评估已获得越来越多的关注。在此，我们全面综述了应用 ML 策略预测 AM 材料疲劳性能及其对 AM 加工与后处理参数（如激光功率、扫描速度、层高、扫描间距、建造方向、后热处理温度等）依赖性的最新进展。总结了采用前馈神经网络（FNN）、卷积神经网络（CNN）、基于自适应网络的模糊系统（ANFS）、支持向量机（SVM）以及随机森林（RF）预测疲劳寿命，和 RF 预测疲劳裂纹扩展速率的若干尝试。发现用于预测 AM 材料疲劳性能的 ML 模型与常用模型本质相似，但被改进以纳入 AM 特征。最后，对 AM 材料疲劳性能 ML 预测的挑战（即小数据集、多类特征、过拟合、低可解释性、无法从 AM 材料数据推广至结构寿命）与潜在解决方案进行了展望。
引用
@article{arxiv.2304.11828,
title = {Machine learning for predicting fatigue properties of additively manufactured materials},
author = {Min Yi and Ming Xue and Peihong Cong and Yang Song and Haiyang Zhang and Lingfeng Wang and Liucheng Zhou and Yinghong Li and Wanlin Guo},
journal= {arXiv preprint arXiv:2304.11828},
year = {2023}
}