Jul, 2023

金属增材制造中覆盖层特性预测的混合机器学习框架

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 激光粉床熔化过程的统计参数化基于物理的机器学习数字孪生模型

    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

  • 金属增材制造中基于物理启发神经网络的实时二维温度场预测

    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

  • 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

  • 面向智能增材制造的物理信息机器学习

    将神经网络和物理规律相结合以提高模型的准确性、透明度和泛化性能的物理知情机器学习（PIML）模型的开发，以激光金属沉积（LMD）为案例研究。

    Jul, 2024

  • 揭示激光粉末床熔融中的加工-性能关系：机器学习与高通量实验的协同作用

    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

  • 激光粉床熔融轨迹显微图像的自动分割与分析

    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