增材制造中机器学习研究综述：设计与工艺
时间：2024-10-24 09:01 来源：长三角G60激光联盟 作者：admin 阅读：次
图1使用机器学习、物联网、大数据、数字孪生和区块链技术的增材制造解决方案的系统。
本文简明扼要地总结了利用ML协助AM流程的各个阶段。从增材制造设计（DfAM）和参数优化的前处理阶段，到缺陷检测的加工阶段，再到零件质量评估的后处理阶段，它阐明了在每个阶段使用ML相对于传统方法的优势。DfAM的目标是优化产品设计，同时考虑到多个变量之间的相互作用。在DfAM中可以有效利用ML的非线性能力。缺陷检测旨在确保零件的可重复性、耐用性和可靠性。将传感器与ML相结合可确保零件质量。最后，从零件微观结构的角度评估零件质量和检测AM的各种子系统。本综述探讨了如何应用ML解决与AM工艺流程有关的众多问题。它全面系统地总结了各种ML模型在不同阶段的应用，研究了较新的ML技术在未来协助AM的潜力，并总结了当前ML在AM中应用的局限性以及未来的发展方向。
图2 AM中三种常见工艺设备的概述以及常用术语。底部的两张图片说明了从航空航天到生物打印的各种应用，强调了将ML与先进制造相结合的广泛影响。
图3将ML集成到AM中的三种工艺的应用概览。
图4将AM的主要数据源作为输入数据送入ML进行处理的流程概览。
图5根据红外摄像机拍摄的熔池图像，使用SVM对熔池形态进行分类的过程。
图6晶格设计和DIC实验测试。
图7红外热成像技术收集熔池图像并提取熔池轮廓。
图8使用计算机断层扫描技术在Inconel 718增材制造试样中检测到的一个锁孔和两个缺乏熔合孔缺陷的实例。图中放大了一个锁孔和两个最大的缺乏熔合孔，突出后者的不规则形态。
图9利用OT和CT图像作为ML数据，预测LPBF中出现的缺陷。
图10 TL在AM中的应用，包括工艺优化、几何偏差预测、熔池尺寸预测和缺陷检测。
图11检测具有各种缺陷的样品。
图12基于机器学习的金属激光粉末床熔融增材制造质量可重复性研究
ML在识别错综复杂的模式和探索参数关系方面具有巨大的潜力，从而为增强AM的决策过程提供了新的途径。这些模型能够准确捕捉材料特性、工艺参数和零件质量之间的细微关系。本文从AM工艺不同阶段的角度出发，总结了三个不同阶段的各种应用。从预处理阶段开始，ML被集成到工艺优化中，探索结构的可行性、训练设计变量并预测给定条件下的最佳工艺参数。在加工阶段，通过与传统方法的对比，阐明了使用ML进行缺陷检测的优势，即把从传感器收集的数据输入ML模型，探索参数与微观结构之间的关系。在后处理阶段，ML可以检测零件的微观结构，评估各种性能指标和零件质量。最后，综述探讨了各种新型ML技术在AM中的应用，强调了ML技术当前的局限性和未来发展的潜在方向。
未来，将有更多关于将ML与AM结合应用的研究。但是，不同的AM问题和应用场景涉及各种类型的数据，包括结构化数据和图像数据。要有效处理不同类型的数据，需要使用不同类型的算法。因此，要利用ML解决AM问题，必须准确理解ML的机制和AM流程。综上所述，目前的研究存在以下不足：
1.根据调查发现，ML在AM中主要应用于PBF、DED和MEX过程，未来ML可以应用于更多AM工艺。
2.AM是一个复杂的逐层制造系统，其中多个子系统和制造过程会受到各种相关因素的影响。因此，有必要整合数据进行联合分析，如从原始数据中提取特征以降低数据维度，或利用分解技术进行异构数据融合，以增强ML模型的性能，提高模型精度。
3.研究人员必须在ML的透明度和准确性之间做出权衡。ML模型生成的结果需要可解释且易于处理，来帮助决策者理解结果及其基本原理，而一些传统的ML算法（如LR和SSL）能够生成可解释的结果。在AM系统中，可解释的ML模型可以帮助工程师提高对制造过程的理解，并制定相应的控制策略。目前一种可行的策略是将ML结果与相关部件、流程或流程条件的高保真模拟相结合，帮助研究人员理解ML。
4.如上所述，许多研究工作都将物理定律纳入了ML。物理定律能更好地帮助决策者理解加工-结构-性能（PSPP）制造步骤之间存在的关系。因此，对于复杂的AM系统，未来的研究可以更多地探索如何将物理定律纳入ML。
图13机器学习在材料挤压增材制造工艺-结构-性能建模中的应用
论文链接：
Chen, K., Zhang, P., Yan, H. et al. A review of machine learning in additive manufacturing: design and process. Int J Adv Manuf Technol 135, 1051–1087 (2024). https://doi.org/10.1007/s00170-024-14543-2
Pant, R., Singh, R., Gehlot, A. et al. A Systematic Review of Additive Manufacturing Solutions Using Machine Learning, Internet of Things, Big Data, Digital Twins and Blockchain Technologies: A Technological Perspective Towards Sustainability. Arch Computat Methods Eng (2024). https://doi.org/10.1007/s11831-024-10116-4
https://doi.org/10.1016/j.matdes.2021.109606
Abdelhamid, Z., Mohamed, H. & Kelouwani, S. The use of machine learning in process–structure–property modeling for material extrusion additive manufacturing: a state-of-the-art review. J Braz. Soc. Mech. Sci. Eng. 46, 70 (2024). https://doi.org/10.1007/s40430-023-04637-5
(责任编辑：admin)
中南大学:增材制备可生物
2024年二季度，中国3D打印
《Bioactive Materials》
增材制造中机器学习研究综
高性能水凝胶的3D生物打印
研究人员开创使用X射线和最新内容
选区激光熔化增材
大型聚合物3D打印
6K Additive最新
如何打造增材制造
从实验室走向生产
3D打印在口腔修复热点内容
