Jan, 2022

MeltpoolNet: 金属添加制造中的熔池特征预测，使用机器学习

PDF
TL;DR本文引入了一个全面的机器学习框架，利用物理感知型的 MAM 特征化、多功能机器学习模型和评估指标，预测熔池缺陷和几何形状，为熔池控制和工艺优化提供了基础。此外，还发现了基于数据驱动的显式模型，用于从工艺参数和材料性质估算熔池几何形状。
发现论文，激发创造
  • 金属增材制造中覆盖层特性预测的混合机器学习框架

    研究使用机器学习技术结合多物理计算流体动力学模型和实验数据来预测金属添加制造过程中材料的特性和加工参数的影响，创造性地解决了数据稀缺的问题并提出了一个高效、准确和可扩展的预测和优化模型。

    Jul, 2023

  • 利用熔池图像流评估用于印迹异常分类的关键时空学习器

    机器学习在金属增材制造中的应用研究表明，利用熔池特征进行实时缺陷预测是解决普及金属增材制造技术的关键障碍之一，本研究实践了基于新颖时空模型的深度学习，用于分类来自不同材料、系统和应用的熔池图像序列，并发现只有 Kinetics400 预训练的 SlowFast 双流网络能够在数据扰动下具备鲁棒的泛化能力。

    Aug, 2023

  • 一个增强型的基于惊喜引导的顺序学习框架用于预测熔池几何形状

    利用先进的数据驱动技术在网络制造中，尤其是克服金属添加制造的传统挑战方面，展示了顺序人工智能和机器学习的巨大影响。

    Jan, 2024

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • 机器学习在金属增材制造中用于机械性能预测

    本文介绍了一种基于机器学习的综合框架，用于金属增材制造过程中机械性能的预测，并提出了利用 SHAP 分析对机器学习模型预测结果进行解释和解读的方法，同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。

    Aug, 2022

  • 氩气驱动熔融池动力的物理信息机器学习

    通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的 Navier-Stokes 方程，显著降低了计算成本。

    Jul, 2023

  • 低成本高保真融池模型在增材制造中的应用：基于生成式深度扩散的方法

    通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了 3 微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

    Nov, 2023

  • 基于视觉 Transformer 的熔池深度轮廓预测的深度学习方法

    用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

    Apr, 2024

  • 3D 打印时间序列数据分类方法评估

    本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

    Oct, 2020

  • 在线预测薄壁金属增材制造的热场

    该论文研究了如何在金属增材制造过程中，当只有少量传感器可用时，如何在线预测未打印零件的热场。该研究提出了一种使用映射和重建的在线热场预测方法，该方法可集成到金属增材制造过程中进行在线性能控制。通过温度曲线的相似性，该方法利用人工神经网络从先前已打印层上某些点的测量温度来估计未打印层上点的温度曲线。利用同一层上几个点的测量 / 预测温度曲线，通过降阶模型（ROM）构建同一层上所有点的温度曲线，以建立整个层的温度场。通过极限学习机（ELM）进行 ROM 的训练，以提高计算效率。通过进行 15 个线电弧增材制造实验和九个具有固定长度和单向打印的薄壁的仿真测试，结果表明所提出的预测方法能够在低成本台式机上在 0.1 秒内构建未打印层的热场。同时，该方法在大多数情况下具有可接受的一般化能力，可从较低层到较高层在同一模拟中以及从一种模拟到另一种模拟的不同增材制造参数上适用。更重要的是，经过有限实验数据的微调后，所有预测温度曲线在新实验中的相对误差非常小，证明了所提出的在线金属增材制造热场预测方法在实际应用中的适用性和泛化能力。

    Oct, 2023