南京理工大學(xué)團(tuán)隊(duì)通過深度學(xué)習(xí)模型提高激光PBF打印質(zhì)量

來源： Engineering

激光粉末床熔融（PBF）是最重要的增材制造（AM）方法之一，涉及以熔池為基本單元的一維（1D）到二維（2D）和三維（3D）逐步打印過程。熔池特征對(duì)L-PBF成型件的微觀結(jié)構(gòu)和性能有直接影響，因此對(duì)打印質(zhì)量至關(guān)重要。值得注意的是，熔池特征與激光功率和掃描速度等關(guān)鍵工藝參數(shù)密切相關(guān)。例如，熔池尺寸不足可能會(huì)導(dǎo)致缺乏熔合缺陷。相反，過深的熔池則可能導(dǎo)致液態(tài)金屬的氣體/金屬界面出現(xiàn)深層匙孔，它是大的球形孔的潛在來源，這些球形孔會(huì)在快速凝固過程中被捕獲。因此，對(duì)熔池特征與工藝參數(shù)之間的關(guān)聯(lián)性進(jìn)行定量預(yù)測(cè)，將是對(duì)PBF打印工藝智能化管理的有力支持，并將進(jìn)一步實(shí)現(xiàn)打印質(zhì)量的精確控制。

南京理工大學(xué)韋輝亮、廖文和研究團(tuán)隊(duì)在中國工程院院刊《Engineering》2023年4月刊發(fā)表了題目為《基于內(nèi)嵌物理信息深度學(xué)習(xí)模型的增材制造工藝參數(shù)及熔池尺寸預(yù)測(cè)》的研究性文章，融合典型實(shí)驗(yàn)、機(jī)理模型和深度學(xué)習(xí)探究了激光PBF過程中關(guān)鍵參數(shù)和熔池特性的正向和逆向預(yù)測(cè)。文章指出，實(shí)驗(yàn)提供基礎(chǔ)數(shù)據(jù)，機(jī)理模型顯著增強(qiáng)數(shù)據(jù)集，多層感知器（MLP）深度學(xué)習(xí)模型則根據(jù)實(shí)驗(yàn)和機(jī)理模型構(gòu)建的數(shù)據(jù)集預(yù)測(cè)熔池尺寸和工藝參數(shù)。結(jié)果表明，文章可以實(shí)現(xiàn)熔池尺寸和工藝參數(shù)的雙向預(yù)測(cè)，最高預(yù)測(cè)準(zhǔn)確率接近99.9%，平均預(yù)測(cè)準(zhǔn)確率超過90.0%。

△機(jī)理模型的驗(yàn)證結(jié)果。（a）采用不同工藝參數(shù)得到的實(shí)驗(yàn)與機(jī)理模型熔池寬度對(duì)比；（b）不同工藝參數(shù)下的熔池寬度（彩圖基于16組實(shí)驗(yàn)研究案例，紅色數(shù)據(jù)點(diǎn)為機(jī)理模型得到的熔池寬度）；（c）實(shí)驗(yàn)與機(jī)理模型所得熔池深度對(duì)比；（d）L-PBF打印AA2024樣品的橫截面。

值得注意的是，MLP模型的預(yù)測(cè)精度與數(shù)據(jù)集的多少密切相關(guān)。通過機(jī)理模型增加數(shù)據(jù)集，最高預(yù)測(cè)精度為97.3%。相比之下，當(dāng)僅使用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行MLP模型訓(xùn)練時(shí)，最高預(yù)測(cè)精度為68.3%，最低為48.5%。因此，一個(gè)經(jīng)過良好測(cè)試的機(jī)理模型可以有效地解決實(shí)驗(yàn)數(shù)據(jù)不足的問題。此外，MLP模型的預(yù)測(cè)精度很大程度上取決于數(shù)據(jù)集的質(zhì)量。例如，發(fā)現(xiàn)工藝參數(shù)對(duì)熔池深度的正向預(yù)測(cè)精度低于對(duì)熔池寬度的正向預(yù)測(cè)精度。原因是熔池深度由于復(fù)雜的瞬態(tài)匙孔特征而表現(xiàn)出較差的數(shù)據(jù)規(guī)律性。

總之，文章為探索L-PBF中的高度非線性關(guān)聯(lián)提供了一條有意義的途徑。盡管預(yù)測(cè)是通過工藝參數(shù)和熔池特性來舉例說明的，但是所提出的方法對(duì)于需要對(duì)具有復(fù)雜相互依賴性的變量進(jìn)行正向和逆向預(yù)測(cè)的其他條件來說也是可行的。文章表明，所提出的框架可以作為AM數(shù)字孿生的關(guān)鍵構(gòu)建模塊，從而促進(jìn)智能AM設(shè)備和流程的未來發(fā)展。

引用信息：Mingzhi Zhao, Huiliang Wei, Yiming Mao, Changdong Zhang, Tingting Liu, Wenhe Liao. Predictions of Additive Manufacturing Process Parameters and Molten Pool Dimensions with a Physics-Informed Deep Learning Model [J]. Engineering, 2023, 23(4): 181-195.