使用小数据集机器学习优化通过直接能量沉积生产的β-Ti合金的制造

作者

瑞安·布鲁克,邱董,涂乐,马克·吉布森,张杜尧 & 马克·伊斯顿

摘要

成功的增材制造涉及对众多工艺参数的优化，这些参数对产品质量和制造成功产生重大影响。基于参数集合的一个常用标准是全球能量分布。该参数将输入的能量封装到构建的表面上，并且是激光功率、激光扫描速度和激光光斑大小的函数。本研究使用机器学习开发了一个模型，用于根据 GED 组成工艺参数预测制造层高和晶粒尺寸。对于层高和粒度，与多重线性回归相比，人工神经网络减少了数据集的误差。使用 ANN 的层高预测实现了 R20.97 的均方根误差为 0.03 mm，而晶粒尺寸预测的结果为 R20.85，RMSE为9.68μm。在降低激光功率和提高激光扫描速度时观察到晶粒细化。这一观察结果在另一种 α + β Ti 合金中成功复制。研究结果和开发的模型表明，为什么仅考虑GED时难以重现，因为每个组成参数都会以不同的幅度影响这些单独的响应。