Tailoring Laser Powder Bed Fusion Process Parameters for Standard and Off-Size Ti6Al4V Metal Powders: A Machine Learning Approach Enhanced by Photodiode-Based Melt Pool Monitoring
Notice bibliographique
Résumé
An integral part of laser powder bed fusion (LPBF) quality control is identifying optimal process parameters tailored to each application, often achieved through time-consuming and costly experiments. Melt pool dynamics further complicate LPBF quality control due to their influence on product quality. Using machine learning and melt pool monitoring data collected with photodiode sensors, the goal of this research was to efficiently customize LPBF process parameters. A novel aspect of this study is the application of standard and off-size powder feedstocks. Ti6Al4V (Ti64) powder was used in three size ranges of 15–53 µm, 15–106 µm, and 45–106 µm to print the samples. This facilitated the development of a process parameters tailoring system capable of handling variations in powder size ranges. Ultimately, per each part, the associated set of light intensity statistical signatures along with the powder size range and the parts’ density, surface roughness, and hardness were used as inputs for three regressors of Feed-Forward Neural Network (FFN), Random Forest (RF), and Extreme Gradient Boosting (XGBoost). The laser power, laser velocity, hatch distance, and energy density of the parts were predicted by the regressors. According to the results obtained on unseen samples, RF demonstrated the best performance in the prediction of process parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».