在最近发表在《杂志》上的文章中添加剂制造，研究人员讨论了金属添加剂制造中熔体池特性（Meltpoolnet）的机器学习预测。
学习：Meltpoolnet：使用机器学习的金属添加剂制造中的熔体池特性预测。图片来源：Nordroden/Shutterstock.com
背景
金属添加剂制造（MAM）是一种新颖而创新的制造技术，可实现复杂的组件制造，为下一次工业革命做好了准备。MAM可以使用特种金属和材料制造具有复杂形状的零件和组件。亚博网站下载
尽管增材制造业在行业和学术界吸引了许多科学和技术工作，但印刷产品的规模，速度和质量仍然是巨大的问题。各种实验监测方法经常用于找到低故障的零件制造的最佳处理窗口。
由于AM过程的多物理和多尺度特征，以及处理参数对印刷产品的主要影响，AM已从纯粹的物理学方法转变为基于数据驱动和基于物理的方法。结果，机器学习（ML）和数据驱动分析已成为高级制造应用中的标准程序，并且AM研究变得越来越流行。另一方面，为金属添加剂制造创建ML模型，需要解决与数据稀缺相关的障碍。
关于研究
在这项研究中，作者讨论了ML对融化池表征的基准测试的完整方法。使用80多个MAM出版物来编译一个大型实验数据集，其中包括MAM处理设置，Meltpool尺寸，材料，Meltpool模式和缺陷类型。亚博网站下载为了建立用于梅尔特浦缺陷和形状预测的全面学习框架，使用了物理意识的MAM特征，评估指标和适应性的ML模型。
作者使用的基准是基于一组更广泛的数据，该数据允许在更大范围的材料和处理参数中改善和调节组件质量。亚博网站下载提出的数据集至少包含80个使用单个AM方法对少数合金的研究收集的实验数据来源。这些不同的数据源被合并为更广泛的存储库，以在各种合金和加工参数上进行熔体池表征。建立了一组称为Meltpoolnet的AM机器学习方法，以表征熔体池行为。
研究人员使用Meltpoolnet使用完整的实验数据集构建ML模型。Meltpoolnet允许优化熔体池处理参数和印刷产品中孔隙率的预测。数据集中包含了各种材料，处理参数和MAM过程类型的亚博网站下载实验。
还说明了各种构建过程设置对拟议模型性能的影响。此外，创建了一种数据驱动和模型识别方法，以发现数据集处理参数和材料质量之间的明确关系，这比ML模型更容易解释。
观察
当使用基线，吸收系数和元素特征的参数来预测XGBoost模型时，分类作业的准确性为85.6％。通过将基线特征和材料单热编码作为随机森林算法的输入的模型配置，最佳结果以85.78％的精度获得。梯度增强模型的精度为99.55％，平均绝对误差（MAE）为10.92 µm。
梯度提升，神经网络和随机森林击败了其他ML模型进行回归和分类。还表明，AM中的功能工程对于生产可推广且高度准确的ML模型至关重要。
所提出的显式模型不仅比使用的ML模型更容易解释，而且比Rosenthal Meltpool几何学估计值也具有更好的Meltpool几何预测能力。
结论
总之，这项研究提出了一个完整的机器学习基准，用于预测熔体池的几何形状和故障。收集了来自广泛的AM熔体表征实验的数据。为了提高不同ML模型的准确性，引入了各种用于AM输入数据的工程方法。使用不同的功能策略将多个机器学习模型彼此比较。此外，还探索了评估措施和报告标准。
此外，发现了从过程参数和材料属性估算融化几何形状的数据驱动的显式模型，这超过了Rosenthal对熔体几何形状的估计，同时保持可解释性。此外，基于数据集处理参数和材料属性，创建了一种数据驱动的模型识别方法来估计熔体几何形状。
作者认为，该基准可用于控制熔体池并优化流程。他们预计，通过提供一个一致的比较和评估平台，该基准将使优化和调节添加剂制造过程变得更加容易，并且Meltpoolnet将成为金属增材制造机器学习社区的全面资源。
来自Azom的更多内容：如何与电子显微镜一起使用快速傅立叶变换？
来源
Akbari，P.，Ogoke，P.，Kao，N-Y。等。Meltpoolnet：使用机器学习的金属添加剂制造中的熔体池特性预测。增材制造102817（2022）。https://www.亚博老虎机网登录sciendirect.com/science/article/pii/s2214860422002172
免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。