利用原位热成像数据与机器学习预测激光粉末床熔融中的缺陷
机器学习
2021-12-22 v1 图像与视频处理
摘要
增材制造(AM)中激光粉末床熔融(LPBF)工艺的局部热历史变化会导致微孔缺陷。已提出原位传感以监测AM工艺以最小化缺陷，但其成功需要建立传感数据与孔隙率之间的定量关系，这在变量众多且计算成本高昂时尤为困难。本工作中，我们开发了一种机器学习(ML)模型，可利用原位热成像数据预测LPBF不锈钢材料的微孔率。本工作考虑了热历史中两个已识别的关键特征：高于表观熔融阈值的时间(τ)和最大辐射度(T_{max})。这些特征被计算出来，为构建材料中的每个体素存储，并用作输入。每个体素的二值状态（缺陷或正常）为输出。针对不同ML模型进行训练与测试以完成二值分类任务。除使用每个体素自身的热特征预测其状态外，相邻体素的热特征也作为 inputs 纳入。这表明可提升预测精度，且与每个体素周围热传输物理促使其最终状态一致。在训练的模型中，随机森林在测试集上的F1分数达到0.96以上。基于ML模型的特征重要性分析显示，T_{max}对体素状态的重要性高于τ。分析还发现，当前体素上方体素的热历史比其下方体素更具影响。
引用
@article{arxiv.2112.11212,
title = {Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal Imaging Data and Machine Learning},
author = {Sina Malakpour Estalaki and Cody S. Lough and Robert G. Landers and Edward C. Kinzel and Tengfei Luo},
journal= {arXiv preprint arXiv:2112.11212},
year = {2021}
}