Process screening in additive manufacturing: Detection of keyhole mode using surface topography and machine learning
Notice bibliographique
Résumé
• Proposed a facile strategy to infer part microstructure using surface topography. • Achieved successful laser powder bed fusion of non-spherical Al7075 powders enhanced with nanoparticles. • Demonstrated the prediction of keyhole melting using surface topographical features and an interpretable machine learning model. Screening of defective additive manufactured (AM) parts is crucial for ensuring process consistency and part reliability, yet common microstructural inspection methods can be time-consuming or destructive. This study explores how surface analysis combined with machine learning (ML) algorithms can effectively infer the microstructure of laser powder bed fusion (LPBF) parts. As a case study, non-spherical ZrH₂ nanoparticle-enhanced AA7075 aluminum powders was fabricated using 60 different LPBF recipes. ML classification models were then employed to link side-surface topographical features to keyhole melting occurring within the parts. Among the tested ML models, random forest (RF) achieving a testing accuracy of 95 % and an F1-score of 0.98, outperforming both the neural network (NN) and support vector machine (SVM) models. To enhance the interpretability of the ML model, the RF model was leveraged to identify the hierarchical importance of surface features associated with keyhole melting mode. This resulted in the development of keyhole-probability maps based on superficial surface parameters, providing engineers with an effective and easy-to-use tool for screening keyhole mode parts. While further validation is needed, the proposed strategy lays a foundation for leveraging surface topography to infer microstructural features and adapting the method to different material systems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».