本研究使用3D-patch pipeline，以可接受的计算要求，改进并扩展了最近的有监督和无监督DL模型，以处理AM样本的孔隙率分析。最好的受监督模型是MSS-UNet，平均精度为0.808±0.013；最好的无监督模型是后处理的ceVAE，平均精度为0.935±0.001。VAE/ceVAE模型表现出卓越的功能，特别是在利用后处理技术时。

May, 2023

本文介绍了基于参数化物理模型的数字孪生（PPB-DT），用于统计预测激光粉末床熔化金属增材制造过程中的熔池几何和缺陷识别在内的诊断应用。通过基于物理模型和实验数据训练的机器学习模型（PPB-ML-DT），这些数字孪生模型可用于预测、监测和控制熔池几何，加快基于激光粉末床熔化金属增材制造的产品开发和认证过程。

Nov, 2023

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

使用深度学习方法基于热图像进行反演定位激光粉床熔化成型制件外置孔隙率，该研究的目标是建立基于成型过程中获得的热图像的实时孔隙分布图。通过卷积神经网络模型来预测孔隙计数和通过视频视觉Transformer模型的时空注意机制来指示预期孔隙存在的区域。本研究在添加制造监测数据上奠定了基于部件孔隙率的“数字孪生”的基础，可以用于减少部件质量认证过程中耗时的后期检测和测试工作。此外，我们通过对成型过程监测数据的机器学习分析，希望加快获得通常仅通过外置部件评估获得的重要洞察。

Apr, 2024

本文解决了激光粉末床熔融工艺中孔洞的准确定位问题，传统方法依赖耗时的后处理步骤。我们提出了一种利用高斯核密度估计的孔洞定位方法，使分割模型能够学习原位监测数据与孔洞发生概率分布之间的关系。实验结果表明，该方法不仅能实现孔洞的精准定位，还显著减少了数据预处理需求，推动了更精确的孔洞检测系统的发展。

Aug, 2024

本研究针对增材制造金属粉末中的气孔对最终产品的影响，提出了一种高效的孔隙度分析方法，旨在替代耗时的全旋转XCT扫描。通过在二维放射影像上标记孔隙像素，并结合X射线衰减模型与改进的UNet架构，本研究实现了高达11.4%的F1分数提升，该方法为增材制造提供了一种可扩展的内联孔隙度分析解决方案。

Aug, 2024

本研究解决了增材制造中实现期望机械性能所需的实验多样性及设计框架缺失的问题。提出了一种结合高通量实验和分层机器学习的方法，揭示激光粉末床熔融过程中多个参数与力学性能之间的复杂关系。研究表明，此方法能有效优化加工参数，最大化材料的强度和延展性，对材料研究领域具有重要影响。

Aug, 2024

本研究解决了激光粉末床熔融过程中的缺陷监测在高分辨率下的成本和内存限制问题。通过采用条件潜在概率扩散模型，从低分辨率的图像生成高分辨率光学图像，实现了高效的过程监测。研究表明，所提出的方法能有效恢复小尺度特征和表面粗糙度，具有广泛的应用潜力。

Sep, 2024

本研究针对金属增材制造过程中的熔化轨迹分析提供了一个自动化解决方案。通过应用U-Net架构的图像分割神经网络，该方法能够高效识别和测量熔化轨迹的尺寸，取得了分类准确率超过99%和F1分数超过90%的优异性能，预示着在自动化和缺陷识别领域的潜在影响。

Sep, 2024

本研究针对金属增材制造中显微镜图像处理的需求，提出了一种基于U-Net架构的图像分割神经网络，能够自动识别和测量熔化轨迹的尺寸。该模型在62个预标注图像上训练，表现出超过99%的分类准确率和超过90%的F1分数，展现了在不同设备和用户条件下的鲁棒性，为后续增材制造工艺的优化提供了有力支持。

Sep, 2024