金属增材制造中覆盖层特性预测的混合机器学习框架
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
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
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
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
利用物理感知神经网络和ConvLSTM结构,我们提出了一种用于金属增材制造温度场预测的框架,可在实时预测和在线控制中应用,验证结果表明其在不同场景中具有灵活性和准确性。
Jan, 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