Accurate inverse process optimization framework in laser directed energy deposition
Notice bibliographique
Résumé
In additive manufacturing (AM), particularly in laser-based metal AM, process optimization is crucial to the quality of products and the efficiency of production. The identification of optimal process parameters out of a vast parameter space, however, is a daunting task. Despite advances in simulations, the process optimization for specific materials and geometries is developed through a sequential and time-consuming trial-and-error approach and often lacks the versatility to address multiple optimization objectives. Machine learning (ML) provides a powerful tool to accelerate the optimization process, but most current studies focus on simple single-track prints, which hardly translate to manufacturing 3D bulk components for engineering applications. In this study, we develop an A ccurate I nverse process optimization framework in laser D irected E nergy D eposition (AIDED), based on machine learning models and a genetic algorithm, to aid the process optimization in laser DED. Using AIDED, we demonstrate the following: (i) Accurate prediction of the area of single-track melt pool ( R 2 score 0.995), the tilt angle of multi-track melt pool ( R 2 score 0.969), and the cross-sectional geometries of multi-layer melt pool (1.75% and 12.04% errors in width and height, respectively) directly from process parameters; (ii) Determination of appropriate hatch spacing and layer thickness for fabricating fully dense (density > 99.9%) multi-track and multi-layer prints; (iii) Inverse identification of optimal process parameters directly from customizable application objectives within 1-3 hours. We also validate the effectiveness of the AIDED experimentally by solving a multi-objective optimization problem to identify the optimal process parameters for achieving high print speeds with small effective track widths. Furthermore, we show the transferability of the framework from stainless steel to pure nickel using a small amount of additional data on pure nickel. With such transferability in AIDED, we pave a new way for “aiding” the process optimization of the laser-based AM processes that is applicable to a wide range of materials. • Inversely identifies optimal process parameters from customizable objectives. • Accurately predicts melt pool geometries directly from process parameters. • Finds optimal hatch spacing and layer thickness to make fully dense prints. • Transferable to new materials systems and optimization objectives with a small amount of extra data.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».