Nov, 2022

增材制造中工艺参数优化的强化学习方法

PDF
TL;DR该论文介绍了一种基于强化学习（RL）和 Q-learning 的方法，用于优化金属添加制造过程中的激光功率和扫描速度组合，以获得更好的熔池深度，从而实现金属添加制造的过程优化。
metal additive manufacturingreinforcement learningprocess optimizationq-learningmelt pool depth
发现论文，激发创造
  • 基于深度强化学习的激光粉末床熔化过程热均匀性刀路径生成

    采用深度强化学习为基础的工作路径生成框架，通过减少残余应力、实现热量均匀分布、避免过热区域，来优化激光粉床熔融（LPBF）过程中的残余应力问题。

    Feb, 2024

  • 自适应网格细化的强化学习

    本研究提出一种新的有限元自适应网格细化方法，将其视为马尔可夫决策过程，并应用深度强化学习进行训练，从而解决了传统方法对瞬时误差估计的依赖问题，并通过静态函数估计和时间依赖方程等实验验证了该方法的可行性和有效性。

    Mar, 2021

  • 通过操作员学习加速液态金属喷射增材制造中的局部尺度模拟

    本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。

    Feb, 2022

  • TempoRL: 使用深度强化学习进行激光脉冲时间形状优化

    本文旨在研究 DRL 在优化 HPL 控制系统效率和安全性中的潜力，并将其应用于优化 ELI Beamlines 设施中 L1 激光泵浦激光器的脉冲时间轮廓，探索了如何通过调节频谱相位的色散系数来适应 DRL 的设置，并获得了类似于转换极限的 FWHM 在 1.6ps 左右的脉冲。

    Apr, 2023

  • 一种 Q 学习算法在制造装配问题中的应用研究

    本研究利用强化学习算法在给定对象的装配问题中实现了 Q-Learning 算法，通过学习与环境的交互来推荐装配序列解决方案，并通过三个场景的探索来评估强化学习代理的性能，实现了优化装配过程时间并在 98.3% 的时间内得出最佳的装配序列解决方案。

    Apr, 2023

  • 结构导向的材料和工艺设计中的机器学习

    近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。

    Dec, 2023

  • 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

  • 面向增材制造的数字孪生框架：时间序列工艺优化的机器学习与贝叶斯优化

    利用数字孪生框架在实时预测控制激光直接能量熔化 (DED) 过程参数以满足特定设计目标，通过 LSTM 机器学习建立代理模型预测 DED 零件的温度，在此基础上引入贝叶斯优化 (Bayesian Optimization) 进行时间序列过程优化 (Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。

    Feb, 2024

  • MeltpoolNet: 金属添加制造中的熔池特征预测，使用机器学习

    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。

    Jan, 2022

  • 核电站燃料优化的强化学习算法评估

    本研究致力于通过使用深度强化学习中的近端策略优化算法，研究多重约束下核燃料 loading pattern 的最佳优化方法，并通过实验结果展示其优越性。

    May, 2023