Trong một bài báo gần đây được xuất bản trên tạp chí Additive Manufacturing, các nhà nghiên cứu đã thảo luận về dự đoán máy học về các đặc tính của bể tan chảy (MeltpoolNet) trong sản xuất phụ gia kim loại.

 

Lý lịch

Sản xuất phụ gia kim loại (MAM), một công nghệ sản xuất mới và sáng tạo cho phép chế tạo các thành phần phức tạp, đã chuẩn bị con đường cho cuộc cách mạng công nghiệp tiếp theo. MAM có thể sản xuất các bộ phận và thành phần có hình dạng phức tạp bằng cách sử dụng kim loại và vật liệu đặc biệt.

Tăng quy mô, tốc độ và chất lượng của các sản phẩm in vẫn còn là một vấn đề rất lớn, mặc dù thực tế là sản xuất phụ gia đã thu hút rất nhiều công trình khoa học kỹ thuật trong công nghiệp và học thuật. Các phương pháp giám sát thử nghiệm khác nhau thường được sử dụng để tìm ra cửa sổ xử lý tối ưu cho quá trình sản xuất bộ phận có độ lỗi thấp.

Do đặc tính đa vật lý và đa quy mô của các quy trình AM, cùng với tác động lớn của các thông số xử lý lên các sản phẩm in, AM đã chuyển từ phương pháp tiếp cận thuần túy có nguồn gốc vật lý sang phương pháp tiếp cận dựa trên dữ liệu và vật lý. Do đó, máy học (ML) và phân tích theo hướng dữ liệu đã trở thành quy trình tiêu chuẩn trong các ứng dụng sản xuất tiên tiến và nghiên cứu AM ngày càng trở nên phổ biến. Mặt khác, tạo ra các mô hình ML cho sản xuất phụ gia kim loại, đòi hỏi phải giải quyết các trở ngại liên quan đến sự khan hiếm dữ liệu.

Về nghiên cứu

Trong nghiên cứu này, các tác giả đã thảo luận về một phương pháp luận hoàn chỉnh cho việc đo điểm chuẩn của ML để mô tả đặc tính bể tan. Hơn 80 ấn phẩm MAM đã được sử dụng để biên soạn một tập dữ liệu thử nghiệm lớn bao gồm cài đặt xử lý MAM, kích thước vùng chảy, vật liệu, chế độ vùng chảy và các loại khuyết tật. Để thiết lập một khung học tập toàn diện cho dự đoán hình dạng và khuyết tật của vùng chảy, người ta đã sử dụng quá trình tạo lông MAM, các chỉ số đánh giá và các mô hình ML có thể thích ứng được với vật lý.

Điểm chuẩn được các tác giả sử dụng dựa trên một bộ dữ liệu rộng hơn, cho phép cải thiện và điều chỉnh chất lượng thành phần trên nhiều loại vật liệu và thông số xử lý hơn. Bộ dữ liệu được đề xuất chứa tối thiểu 80 nguồn dữ liệu thực nghiệm được thu thập từ các nghiên cứu được thực hiện trên một số lượng nhỏ các hợp kim sử dụng một phương pháp AM duy nhất. Các nguồn dữ liệu đa dạng này được kết hợp thành một kho lưu trữ rộng hơn để mô tả đặc tính của bể tan chảy trên nhiều loại hợp kim và thông số xử lý khác nhau. Một tập hợp các phương pháp học máy AM có tên MeltpoolNet đã được xây dựng để mô tả hành vi của nhóm tan chảy.

Các nhà nghiên cứu đã sử dụng MeltpoolNet để xây dựng các mô hình ML bằng cách sử dụng tập dữ liệu thử nghiệm hoàn chỉnh. MeltpoolNet cho phép tối ưu hóa các thông số xử lý hồ tan và dự đoán độ xốp trong các sản phẩm in. Các thí nghiệm với nhiều vật liệu, thông số xử lý và kiểu quy trình MAM khác nhau đã được đưa vào bộ dữ liệu.

Tác động của các cài đặt quy trình xây dựng khác nhau đối với hiệu suất của các mô hình đề xuất cũng được minh họa. Ngoài ra, một phương pháp nhận dạng mô hình và hướng dữ liệu đã được tạo ra để khám phá mối quan hệ rõ ràng giữa các tham số xử lý tập dữ liệu và chất lượng vật liệu, dễ hiểu hơn các mô hình ML.

Quan sát

Độ chính xác của công việc phân loại là 85,6% khi mô hình XGBoost được sử dụng để dự báo phân loại hồ tan bằng cách sử dụng các tham số của đường cơ sở, hệ số hấp thụ và sự phân loại nguyên tố. Với cấu hình mô hình của các tính năng cơ sở và mã hóa một nóng vật liệu làm đầu vào cho thuật toán rừng ngẫu nhiên, kết quả tốt nhất đã đạt được với độ chính xác 85,78%. Mô hình tăng cường độ dốc đạt độ chính xác 99,55% và sai số tuyệt đối trung bình (MAE) là 10,92 µm.

Tăng cường độ dốc, mạng lưới thần kinh và rừng ngẫu nhiên đã đánh bại các mô hình ML khác để hồi quy và phân loại. Nó cũng chỉ ra rằng kỹ thuật tính năng trong AM là rất quan trọng để sản xuất một mô hình ML tổng quát và có độ chính xác cao.

Các mô hình tường minh được đề xuất không chỉ dễ hiểu hơn các mô hình ML được sử dụng, mà chúng còn có khả năng dự đoán hình học tan chảy tốt hơn so với ước tính hình học Rosenthal.

Kết luận

Kết luận, nghiên cứu này đã trình bày một tiêu chuẩn máy học hoàn chỉnh để dự đoán hình học vùng tan chảy và loại lỗi. Dữ liệu từ một loạt các thí nghiệm mô tả đặc điểm bể tan AM đã được thu thập. Để cải thiện độ chính xác của các mô hình ML khác nhau, các phương pháp tiếp cận khác nhau về kỹ thuật tính năng cho dữ liệu đầu vào AM đã được giới thiệu. Nhiều mô hình học máy đã được so sánh với nhau bằng cách sử dụng các chiến lược làm sạch lông khác nhau. Ngoài ra, các biện pháp đánh giá và tiêu chuẩn báo cáo cũng được khám phá.

Hơn nữa, các mô hình rõ ràng theo hướng dữ liệu để ước tính hình học tan chảy từ các thông số quy trình và đặc tính vật liệu đã được tìm thấy, vượt quá ước tính của Rosenthal đối với hình học tan chảy trong khi vẫn giữ được khả năng diễn giải. Ngoài ra, dựa trên các tham số xử lý tập dữ liệu và các thuộc tính vật liệu, một phương pháp nhận dạng mô hình hướng dữ liệu đã được tạo ra để ước tính hình học của vùng chảy.

Các tác giả tin rằng điểm chuẩn này có thể được sử dụng để kiểm soát các hồ tan và tối ưu hóa các quy trình. Họ kỳ vọng rằng bằng cách cung cấp một nền tảng nhất quán để so sánh và đánh giá, điểm chuẩn này sẽ giúp việc tối ưu hóa và điều chỉnh các quy trình sản xuất phụ gia trở nên dễ dàng hơn và MeltpoolNet sẽ trở thành một nguồn tài nguyên toàn diện cho cộng đồng máy học sản xuất phụ gia kim loại.

(Nguồn: Azom.com)

 

Cảm ơn đã theo dõi hết bài viết!!!