冶金、机械模型及机器学习在金属打印中的应用( 三 )


在当前 , 只有少量的商业合金比较容易实现打印 , 用于增材制造打印的特定的设计还刚刚开始 。 一个比较重要的目标是通过减少常见缺陷的办法来提高其打印性能 。 例如 , 以Cr-Mo-V工具钢的粉末和马氏体不锈钢的粉末进行DED-L后其机械性能优于传统的制造工艺 。 将Ti和Cr粉末进行混合后采用DED-L进行打印可以获得较好的强度和韧性 。 将Si添加到2021、6061和7075铝合金中进行打印会导致细小的Al3Zr或Al3Sc相的析出 。 作为晶粒细化的接种体并且阻碍裂纹的产生 。 新的镍基合金hastelloy合金被设计出来用于PBF-L打印 , 用来阻碍裂纹的生成 。
机械模型是功能强大的模拟工具 , 可以提供不易获得的视野 。 然而 , 这些计算需要对背后的物理机制有深入的理解 , 而且这些数据却又不易获得 。 此外 , 机械模型通常都比较复杂且需要比较显著的计算资源和用户要具有比较熟练的技巧 。 相反的 , 机器学习则仅仅需要较少的编程知识和模型技术 , 结果 , 该技术得以广泛的应用 。
机器学习在金属打印中的应用
机器学习可以促进计算机进行可靠的预测 , 通过不同的源头获得的数据来学习 。 比较有用的信息和相关关系从数据中提取而不需要对现象进行指导或进行额外的编程 。 预测的精度可以提高产品质量和数据的体积 。 这一技术强大的开源编程能力使得机器学习可以解决复杂的问题 。 这一复杂的问题自第一次出现时可能很复杂 。 在这里 , 先介绍一下开源的算法和代码 , 然后讨论一下其有效的用途和对金属打印造成的影响 。
使用机器学习的原因
通过不断的试错的办法来获得高质量的部件是不仅速度极慢且成本-效益也低的办法 。 因此 , 机器学习则开始广泛的应用于金属打印的全过程(见上一篇中的图3) 。 金属打印中的显微组织、性能和缺陷的演变取决于多个同时发生的物理过程 。 因此 , 产品一体化的现象的预测在目前是没有的 。 机器学习可以作为预测显微组织、性能和缺陷的工具 。 该方法并不需要给予对现象的理解来利用复杂的公式来解决问题 。 结果 , 计算会非常迅速 。 此外 , 输入变量的等级制度和输出数据的敏感性是可以确定地 。 最后 , 机器学习的程序比较容易构建 , 这是因为经过测试 , 容易使用和可靠地算法的有效性地缘故 。
广泛可靠地资源
在增材制造中机器学习的应用在机器学习模型和开源的程序的应用上得到应用 。 模型的分类 , 如决策树、随机树和K-近值邻居均是数据分类问题中比较有用的 , 如打印部件中探测到的或探测不到的气孔 。 这些模型也用作决策 。 回归模型 , 如人工神经网络、Bayesian神经网络和支持向量机被用来给予功能的角度将输入和输出联系在一起 , 并且可以在一套输入参数后预测可变的输出量 。 开源的编程 , 如WekaScikit学习、TensorFlow、Keras和Theano则可以非常容易地进行使用 。 这是因为这些伴随着大量的手册和测试案例 。 在接下来的章节 , 我们检查了机器学习在构建金属部件的不同阶段应用机器学习提高产品质量地案例 。
金属打印中的应用
机器学习在金属打印中的应用受到管理复杂的工艺过程和强大的开源代码的有效性的驱动而得到快速的发展 。 最近的应用范围包括 从工艺规划到参数优化、传感的控制和提高熔化区域的贡献、定制显微组织和缺陷的迁移等 , 见图6 。 这些例子显示了机器学习在金属打印中的重要性 , 其应用可以单独进行 , 也可以同机械模型组合在一起使用 。
工艺参数的优化
工艺参数的选择在控制部件的质量上是非常重要的因素 。 机器学习是一种快速和可靠的预测和优化工艺状况以获得理想的部件的途径 , 见图6a 。 例如 , DED-GMA的神经网络预测的送丝速率、扫描速度、弧电压和喷嘴道板材之间的距离以及优化参数以获得部件所需要的宽度和高度 。 应用随机树算法来优化参数 , 使用PBF-L技术获得了优质的In718部件 。 神经网络技术被用来预测粉末铺粉辊的旋转速度和平移速度 , 以最大程度的减少表面的粗糙度 。 热力学模型和机器学习一起来识别工艺状态以避免在DED-L打印梯度SS316-纯Cr时脆性金属间化合物Sigma相的形成 。 回归为基础的机器学习用来检查送粉速率、扫描间距、激光功率对DED-L的表面性能的影响 。 以上提到的应用关于机器学习来构建增材制造部件且使用变化的增材制造变量的案例表明该技术是可以给予数据进行优化参数的 。 优化的参数可以在随着时间不断积累的数据的条件下而不断地得到提高 。