研究目的
开发机器学习方法，以学习激光粉末床熔融中各种打印条件下热历史与地下孔隙率之间的相关性。
研究成果
该研究表明红外热历史数据对开发激光粉末床熔融（L-PBF）缺陷形成机器学习模型的有效性。通过采用进化算法进行特征选择及简单分类算法，该方法展示了一种利用小规模数据集构建机器学习模型的有效途径。研究成功建立了热历史与亚表面孔隙形成的关联：具有低峰值温度且单调递减的热历史往往对应较低孔隙率，而起始温度高、先下降后回升的热历史更可能预示较大孔隙率。
研究不足
该研究的局限性在于可用的校准数据点数量较少，这可能影响机器学习模型的稳健性和预测能力。此外，由于材料特性的差异，该方法可能需要针对其他材料体系重新校准。
1：实验设计与方法选择：
本研究采用高速红外成像与同步辐射X射线成像相结合的方法，关联激光粉末床熔融过程中的热历史与次表面孔隙形成。
2：样本选择与数据来源：
使用由Ti-6Al-4V 5级基材和粉末组成的微型粉末床样本，夹在两块玻璃碳板之间。
3：实验设备与材料清单：
实验装置包括高速红外相机（Telops Fast M3K）、高速摄像机（Photron FastCam SA-Z）和镱光纤激光器（IPG YLR-500-AC）。
4：实验流程与操作步骤：
激光扫描金属粉末床，逐层熔化工具路径中的粉末以形成固体部件。实时监测热特征与孔隙形成过程。
5：数据分析方法：
开发机器学习模型关联温度历史与次表面孔隙形成，采用遗传算法进行特征选择，并运用包括逻辑回归、随机森林分类、梯度提升分类和高斯过程分类在内的分类算法。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
high-speed IR camera
Telops Fast M3K
Telops Inc.
Collect the real-time thermal information of the sample.
暂无现货
预约到货通知
-
high-speed camera
Photron FastCam SA-Z
Photron Inc.
Record the converted visible light images from transmitted x-rays.
暂无现货
预约到货通知
-
ytterbium fiber laser
IPG YLR-500-AC
IPG Photonics
Provide pure Gaussian beam profiles for laser scanning.
立即获取同款设备 -
登录查看剩余1件设备及参数对照表
查看全部
