基于深度学习的熔池热场代理建模
机器学习
2024-11-21 v2
摘要
在过去的十年中，基于粉末的增材制造已经改变了制造业。在激光粉末床熔融中，特定零件以迭代方式构建，通过熔化和融合粉末床的适当区域，将二维横截面逐层叠加形成。在该过程中，熔池及其热场的行为在预测制造零件的质量及其可能的缺陷方面具有非常重要的作用。然而，此类复杂现象的模拟通常非常耗时，并且需要巨大的计算资源。Flow-3D 是能够使用迭代数值求解器执行此类模拟的软件包之一。在这项工作中，我们使用 Flow-3D 创建了三个单道过程的数据库，并用它们训练了一个卷积神经网络，该网络能够仅以三个参数作为输入来预测熔池三维热场的行为：激光功率、激光速度和时步。该 CNN 在温度场上取得了 2% 到 3% 的相对均方根误差，并在预测熔池区域上取得了 80% 到 90% 的平均交并比分数。此外，由于时间被作为模型的输入之一，因此无需迭代和计算所有步骤即可即时获得任意时步的热场。
引用
@article{arxiv.2207.12259,
title = {Surrogate Modeling of Melt Pool Thermal Field using Deep Learning},
author = {AmirPouya Hemmasian and Francis Ogoke and Parand Akbari and Jonathan Malen and Jack Beuth and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2207.12259},
year = {2024}
}