文摘
加法制造(AM)已经获得速度,取代传统的制造方法。此外,人工智能和机器学习的实现增加了进一步应用和发展。本文广泛遵循所有的研究工作和现代进步的迹象定向能量沉积(d)的过程。所有类型的d系统,满足材料,能源,和屏蔽气体使用在这个过程中也详细分析了。实现人工智能(AI)在d流程,使流程更少依人了严格的审查和控制复杂的方面。各种人工智能技术如神经网络,梯度提高了决策树、支持向量机、高斯过程技术可以达到预期的目标。这些模型中实现d过程已经训练了高精度的产品和优越的质量监控。
1。介绍
人工智能(AI)是计算机科学的一个分支,涉及自学数学模型。例如,天气预报系统使用人工智能基于各种参数预测天气。同样,人工智能已经在机械工程领域的有益。本文将严格解释的过程,人工智能发展的d过程更加轻松。它已经成功实现各种目标,包括建模合金的微观结构之间的关系和它们的属性,即。,with the help of microstructural characteristics like volume fraction and thickness of phase to predict its tensile properties like tensile strength, yield strength, and so on. Experiments can be carried on these alloys more effectively with the properties of the alloys predicted using AI. We have studied a few techniques used in various stages of the DED process, including prediction of single clad geometry, modeling correlation between properties and microstructure of elements, and predicting tensile properties of alloys formed using DED. Using some neural networks and a proper dataset, a good model can be built to predict temperatures with higher accuracy and precision, leading to an even more efficient deposition technology, which will help build complex and unique parts, especially in biomedical and aerospace industries. We studied how various AI techniques like NN, SVM, GP, GBT, and so on have helped achieve various goals, and we have tried to present an overview of all the techniques [1,2]。
定向能量沉积(d)被定义为一个加法制造过程的主要能量来源,如激光电弧,电子,或激光,融化材料作为喷嘴存放他们(3,4]。
所有组件的典型安装图所示1。看到,原料提供材料(电线或粉末)沉积点,它是通过集中激光或电子束融化。
像许多类似的加法制造过程,d方法包括给料机将原料通过热源形成焊缝池存在的控制环境,如真空或惰性气体。原料是金属丝或粉,存款目标对象表面的融化。如图2,有三维过程中广泛使用的热源(5]。他们是电子束,电弧或等离子和激光。在定向能量沉积过程中,热源一般集中在原料的金属沉积发生。刀位点控制枪的喷嘴或工具以这样一种方式,它遵循一个特定的工具路径周围的对象(6,7]。熔池形成沿刀具轨迹是通过仔细控制提要材料和热源。
2。了解定向能量沉积
图3显示一个简短描述的d过程通常是执行。过程开始时材料的形式注入线或粉和完成的所有材料的层沉积在衬底(8]。必须小心的巨大规模形成的残余应力的热梯度在热影响区中创建。这导致最终产品较小强度由于晶粒结构的扭曲。为了减少这些thermal-induced强调,需要复杂的热处理过程(9,10]。由于这个原因,印刷过程有时可能会被打断。因此,为了避免这样的情况下,印刷过程必须密切监测。
打印速度d过程的至关重要的一个方面。的wire-based d过程相比,低分辨率状维过程。粉d过程保持较低的速度和生产更高分辨率的产品。Wire-based系统通常用于创建大部分地区较低的印刷成本。这是通过使用低成本饲料原料和高打印速度。获得更高的分辨率和较小的材料浪费,粉过程可以得到近净形(10]。然而,粉过程是相对昂贵的相比,连接过程。我们得到近净形和较小的分辨率,有限的几何变化,和更高的后处理使用有线流程的成本。
正如前面提到的图4,d过程进行的真空或惰性气体(保护气体)为了防止焊缝池氧化(10,11]。活性金属,如钛及其合金,钨、铌是一些最常用饲料原料中使用d的过程。这些金属氧化如果没有屏蔽气体或真空。表1显示这些屏蔽媒介的利弊。
氧化反应过程中可能发生:
表2提供了一个比较深的洞察力和添加剂生产过程的各种参数。
有许多优点和缺点使用定向能量沉积的过程。使用这个过程的主要优点之一是,它可以用于各种金属、聚合物、陶瓷。所有其他的添加剂生产过程通常局限于使用金属作为饲料的材料。许多工业领域经常使用这个过程来修复现有的部分,它们可以减少维修或更换费用。激光或电子束需要非常小的时间融化的材料。因此,这个过程有一个相对较高的沉积速率相比其他添加剂制造技术。因此,构建率也很高。材料的性质选择用作饲料冷却更快形成一轮医生结构。这保证了零件创建更健壮和密度。同时,精确率高,所以很少有任何需要后处理或纹理增强[13]。d过程使它方便我们改变材料时需要不同的部位。这是一个理想的和必要的其他添加剂制造工艺不具备的品质。这个过程产生的近净形状产品,因此材料损耗低。
此外,最后,d过程可以产生非常复杂的对象,并通过传统的制造工艺。这个过程也更善于制造更多的超大号的产品相比,类似的过程。这种方法也有一些缺点,要注意避免任何制造问题。这样的一个主要缺点是,这个过程有一个相对贫穷的产品表面光洁度比从其他添加剂制造方法(3]。这是因为wire-based d系统往往有更高的速度,减少产品的分辨率。同时,悬垂和内部定制等高级功能不可能支持d过程中的结构是不可能的。此外,最后,在这个过程中使用的设备,如屏蔽系统,能源如激光和电子束,和材料供应系统,是昂贵的,应采取非常小心和精力管理它们。
2.1。d的应用
d是用来制造部分但是是专门用于材料添加到现有产品或修复。一般来说,受到三个类别(图d应用程序5)。他们接近净形状部件,功能增加,和维修。d主要是用于制造附近净形状部分飞机和海洋等部分,节省大量的时间和金钱。d可以产生复杂的形状,同时减少材料浪费。d也可以用来预先存在的对象添加一些额外的功能。d使用工业机器人和软件工具。介绍了添加层表面用包覆过程在机器人的帮助下。对象增加功能,增加产品的价值。d确保加工时间减少,唯一的缺点是一个昂贵的过程。同时,异种金属焊接可以通过改变原料在打印。 A lot more research needs to be done to increase this feature addition process [3,14]。最后,d是用在许多工业部门修复现有设备。一个修复的过程,以前手工完成了更容易的帮助下d。d组件维修经常延长生命的部分。它还简化了过程通过减少交货时间。
2.2。类型d过程有关的能源
2.2.1。电子束能量沉积
大多数客户选择d过程生产更重要的部分,因为d过程有一个高沉积速率与其他添加剂生产过程。d过程中,都有一个特性添加方法,有助于债券两种不同的金属。
d过程细分为三类:电子束、激光、等离子体或电弧。电子束加法制造(EBAM)过程使用一个送丝装置进料金属线将衬底池电子梁来执行。电子束枪控制材料和衬底当权力转移到材料(13,14]。权力在d值随沉积速率,材料,和几何。大多数时候,功率值的范围从4到20千瓦。EBAM过程可以控制使用CAD软件改变机器路径和轴的工具。这总操作执行的真空室,防止氧化。EBAM附近产生净形状零件因其逐层沉积和速度比传统的制造方法。这个过程是用来创建零件或组件的航空工业为它创建最终几何组件(15,16]。EBAM工作几个小时生产大部分地区,减少材料浪费。d在这样一种方式得到灵活的设计工作。图6总结了一个EBAM过程的特点。
2.2.2。激光定向能量沉积
激光定向能量沉积(ld)过程是用来实现与高分辨率的一小部分,它不需要任何EBAM真空环境。这个过程是粉床下融合使高分辨率部分和维护低速(13,17]。粉床的融合过程中,部分是由粉融化的金属颗粒,结合使用激光的能量来源。激光d使用惰性气体保护和创造更好的微观结构。
激光d过程的主要缺点是,这个过程需要惰性气体保护,和操纵的能源也会发生。在构建大规模的组件,有可能得到现货尺寸(14,15]。显著的特点,总结了ld过程图7。
2.2.3。弧定向能量沉积
弧定向能量沉积(广告)产生或构建更重要的部分比其他两个d流程。这是迄今为止在市场上最常见的d的方法。arc de过程是使用在许多行业,因为它是更便宜比其他d过程(16,17]。钢合金主要用于创建用高功率近净形状部件。
然而,有一些缺点arc de过程。的一个主要缺点是沉积速率明显比其他低维过程。高沉积率可以达到较高的行驶速度下大量的保护气体。屏蔽气体中使用这个过程是纯粹的惰性气体,如氩气非常昂贵和有潜在危险的(13,15- - - - - -17]。列出了所有的显著特点一个广告过程流程图,如图8。
3所示。类型的提要材料用于d
饲料原料的主要来源是任何添加剂制造过程。饲料材料是两种类型的d(定向能量沉积)过程:电线和粉末。合适的饲料材料的选择是至关重要的,以确定各种工艺参数如粘度、导热系数,或膨胀系数,它取决于所需的特性,最后组件的复杂性,和几何。
技术是推进日常研究寻找新的、高效的饲料原料,可用于加法制造流程。而金属和合金是唯一养活材料用于d的原始阶段,广泛的材料目前正在使用的添加剂制造业(13]。非常规超合金等材料、聚合物、纳米材料、生物材料、甚至生物废料材料已被证明是合适的替代传统的金属和合金(18- - - - - -25]。即使没有准备好用于工业规模,最近的研究在这些新材料展示了有前景的结果对使用他们将来大规模生产。
3.1。纯金属
大部分的金属在纯形式有限的应用程序和很少可取的属性。这是纯金属的主要原因之一,很少用于制造业的主流。当结合其他金属,这些金属的独特性质用于许多工业应用。即使所有这些,一些金属被用于3 d打印技术的研究。其中的一些金属下面列出并简要讨论。表3比较了纯金属材料d过程。
3.1.1。铜
许多航空和海洋产业制造热交换器、感应线圈,或散热片不同的机制。d过程允许这些产品的印刷与饲料99.99%纯铜材料。铜被认为是最好的金属用于制造这样的组件,因为它有一个特殊的热和电子传导能力。此外,它有一个很好的保温能力,还说有抗菌特性。最近的研究表明,平均ld过程获得的微观硬度值比普通铜样品更重要。一个这样的实验研究是由Yadav et al .,他们创建了一个纯铜块通过使用2千瓦ld系统(26]。他们获得的平均硬度值是77±3.5 HV0.98 N,它大于铜的平均硬度值,这是57高压(27]。结果表明,纯铜组件用ld过程有更精致的纹理结构和更好的硬度值。
3.1.2。钨
另一种金属,广泛应用于许多行业是钨。虽然钨不是直接用于它的纯粹的形式,它是由碳化钨、硬质材料的切割木材或金属、冶炼金属、和钻井(28]。钨有许多可取的素质,如优良的耐腐蚀性、低蒸汽压,高导热系数、高熔点、密度更高。这使它适合用于航空和空间技术和核系统。虽然制造钨是通过使用粉末床融合或火花等离子烧结,最近的研究表明,d也可以是一个合适的过程制造纯钨。上面提到的方法通常是费时和不能产生复杂的几何图形30.]。根据宋et al .,制造钨通过d过程可以同时解决这两个问题。年底他们的实验中,他们可以打印一个纯钨结构超过100毫米大小,密度19.0克/厘米2和3.9的绩点硬度。此外,结果表明,氧气水平应小于300 ppm的氧化钨粉,以避免任何由于反复融化和凝固过程29日]。
3.2。金属合金
表4展示了各种金属合金作为饲料原料用于d过程。
3.2.1之上。Hastelloy-X
Jinoop等人研究了激光加法制造使用定向能量沉积(LAM-DED)是一个很好的过程创建复杂Hastelloy-X (Hast-X)组件焊接池。Hastelloy-X是用在许多工程应用中,特别是在燃气轮机,热交换器和盾牌。所有这些应用程序是由Hastelloy-X因为他们的高电阻和高强度应力腐蚀。一种惰性气体,如氩气已被用于粉喂养。同样,激光加法制造使用粉床融合(LAM-PBF)融化Hastelloy-X粉末床上。样品使用LAM-DED过程相比,有更高的强度极限和屈服强度比传统的过程。然而,降低LAM-PBF相比。组件使用LAM-DED延性高于使用LAM-PBF构建组件。最复杂Hast-X组件正在建设中使用LAM-DED因为这些样品是用于高温应用程序(31日]。
3.2.2。镍基高温合金铬镍铁合金718
Careri等人表明,加法制造是最好的方法来生产复杂部件在各种汽车、航空航天和医疗行业。制造业部分由加法制造过程更加灵活创建附近净形状零件。718镍基高温合金铬镍铁合金粉的大小从45到106不等μm。铬镍铁合金718是用于核反应堆和燃气涡轮发动机因其高强度和冲击强度。具有良好的抗腐蚀和氧化。生产过程之后,加工过程中显示了良好的切削加工性能由于高延性的铬镍铁合金71832]。
3.2.3。Titanium-Molybdenum (Ti-15Mo)
Titanium-molybdenum (Ti-15Mo)也被称为生物医学合金因为它是用于构建生物医学植入物,特别是骨科和牙科植入物。激光沉积衬底上沉积金属粉末。因为它的令人难以置信的工艺参数,Ti-15Mo用于构建可以使植入物的生物相容性。钛的化学成分沉积的部分是85.02±2.44%,和莫为14.98±2.58%。为生物医学应用Ti合金是最好的合金。两种类型的Ti合金被用于生物医学植入物:α类型Ti和α+β类型。Ti-15Mo用于生物适合的植入物由于其优良的耐腐蚀,硬度和疲劳。Ti-15Mo bioimplants的是很可行的,因为它的属性。同样,有一些应用程序用于航空航天工业。一些高级研究工作关注Ti-15M学习在生物医学中的应用行业(33]。
3.2.4。其他钛合金
相比传统的过程中,制造业近净形状(NNS)部分使用金属添加剂制造更合适。近净形状组件是使用传统的过程中也存在许多缺点,如去除大量的材料和高成本。Ti合金线和粉末的形式用于生产NNS组件。Ti合金具有较高的耐腐蚀和耐高温。合金如Ti-6Al-4V和Ti-6Al-6V-2Sn用于军事、飞机、宇宙飞船,因为他们的高的抗拉强度和韧性。金属添加剂制造是最好的方法来构建NNS因为它比传统的更有成本效益的和低成本的制造业。Ti合金,粉末床上融合的最好方法是制造组件(34]。
3.3。聚合物
3.3.1。聚甲基丙烯酸甲酯(PMMA)
增大一个透明聚合物用作代替标准的玻璃。它是防碎的和一个刚性热塑性材料(38]。PMMA是高度耐紫外线和恶劣的天气条件。它具有较高的耐化学性相比其他透明聚合物。这也是高度耐划痕。PMMA主要用于生物医学行业骨植入物,骨水泥类型,和药物输送系统。也用于制造牙科植入物的地方代替牙科根(39]。Mitsouras等人的描述,3 d印刷足以用于创建的姑息治疗的患者使用选择性激光烧结和定向能量沉积的PMMA和消毒使用γ辐射(40]。当这些材料是观察486天(约一年半),功能结果好于70%的病人,在剩下的病人是公正的。
3.3.2。聚醚醚酮(PEEK)
PEEK与高性能半晶状的热塑性。PEEK用于医疗行业支持的部分内视镜,透析器,牙科仪器。这主要是因为它的高热量和电阻。是用于飞机制造工业取代铝制部件(41]。PEEK具有很高的熔点,因此它可以承受高温。因此,它被用在飞机的关键引擎部件。它也有类似的应用程序在汽车行业42]。里纳尔蒂等人伪造nanosat结构使用PEEK作为饲料和FDM工艺材料。他们描述了一部分,但有许多thermal-related问题部分。尽管存在这些障碍,他们实现了一个可接受的值的热导率(5 w /可)。热导率需要在可接受的值,以确保最小数量的热点形成表面上。同时,理解,温度不应超过聚合物玻璃化转变温度,以确保没有机械性能的下降43]。
3.3.3。丙烯腈丁二烯苯乙烯(ABS)
ABS主要应用在汽车减肥是取代传统的金属部分。指示板零件和保险杠部分是一些例子。ABS具有高冲击强度和耐热性。这使得它很容易被用于管道材料及配件可以承受地球负载和高温。ABS是用在许多结构应用由于其防沾污性和稳定性随时间(44]。ABS融合财政部(有机框架)材料也可以广泛用于气体存储、过滤、传感、催化,被圣经等人的研究。他们能够制造一个ABS-MOF复合成功没有任何可见的缺陷。圣经等人创建了两个ABS-MOF材料ABS-ZIF-8 ABS-HKUST-1和尝试吸附N2发现印刷ABS-HKUST-1吸附比ABS-ZIF-8 N2 (70) (55)45]。
3.3.4。聚丙烯(PP)
聚丙烯是一种最便宜的结晶热塑性塑料能在市场上找到。聚丙烯是丙烯单体聚合时产生。PP广泛用于包装行业由于其良好的屏障属性和低成本。这是用于食品包装,因为它的低水气传输和特殊光学清晰度。也用作电池病例和仪器面板在汽车行业。在医疗行业,聚丙烯是用于制造一次性注射器,培养皿,诊断设备等,由于其高细菌和热阻46]。聚丙烯还用作滤水器网和饲料间隔器在污水处理厂处理污水与废水。棕褐色等人成功创建了聚丙烯呈网状结构通过SLS(选择性激光烧结)测量的有效性聚丙烯作为饲料间距器的合适的材料。发现的结果,杨氏模量和强度极限直接成比例的能量密度(使用47]。他们还得出结论,原始PP粉不合适3 d印刷的工艺参数,研究的理想工艺参数需要进行。
表5显示所有聚合物提要材料d的过程。
3.4。陶瓷
加法制造(AM)过程是合适的形状不同的陶瓷部件。有两种类型的流程:直接和间接的。间接流程是用于生产适当的组件,而直接产生的大部分地区。是过程可以产生孔隙和无陶瓷部件。在传统的d过程中,陶瓷粉已被用于熔化和凝固衬底。在混合熔融d过程中,线是用于构建部分(49]。陶瓷被广泛用于牙科应用程序。陶瓷具有高的化学稳定性、生物相容性、美学和力学性能更换或修复损坏牙齿。用于大规模生产,它是最便宜的50]。
3.4.1。氧化铝
氧化铝是一种广泛使用的陶瓷材料。众所周知,良好的电气绝缘和高度耐腐蚀。它有一个广泛的应用,如汽车传感器,牙科植入物,和电子产品51]。
3.4.2。氧化锆
氧化锆陶瓷是最研究和更健壮的陶瓷材料。它提供了独特的属性,为其应用提供高需求。它提供了高韧性、高强度和耐蚀性。广泛使用的应用包括活塞,辊,绝缘体,衬套,牙冠等等。它已经被用于牙冠因其高强度和寿命52]。
3.4.3。镁铝尖晶石
激光定向能量沉积是可行的制造铝酸镁尖晶石(MAS)陶瓷部件。因为它是昂贵的生产使用传统方法[51马斯),是一种高强度陶瓷用于防弹玻璃的应用程序。这些应用程序被用于航空航天和国防等行业(53]。
表6提要基于陶瓷材料相比,用于d过程。
4所示。计算在d /人工智能模型的实现
加法制造与互联网成立。因此,它一直在其传统的网络和通信能力没有同行。因为我是一个数字的过程,它可能会产生在一个构建大型数据集。加法制造的价值performance-optimized驻留在创建组件,并只能使用我创建的技术。在减少艾滋病大会,所有,触摸劳动通过允许组件通常会形成的各个部分中创建一个块。这些信息或数字输入会被利用到最大化的物理输出使用机器学习和人工智能。我们期望转化为更大的生产力,提高生产,以及密封质量控制循环能力比依靠昂贵的检查技术。
人工智能可以使添加剂生产过程不如他们目前是乏味以及增加过程的精度。计算机视觉可以用来分析当前物理产品逆向工程,创建一个新的,增强产品设计基于当前模式。这可以帮助加快产品开发和改进过程,同时也减少了时间产生新的物品。
机器学习和人工智能确实协助生成设计、软件程序的自动生成设计模型根据需要由技术部门和限制规定。这允许设计工程师调查设计新颖的解决方案来解决最具挑战性的问题。这些设计可以迅速变成了实实在在的原型或操作模型利用加法制造流程。
产品开发通常是一个耗时的操作,需要多个可行的调查设计可能性之前到达一个最终的解决方案。与AI-driven衍生设计,这种方法的迭代评估多个概念可能显著放大。设计团队可能使用添加剂制造技术进行快速原型设计转换成3 d模式评估和批准大规模生产在一个无与伦比的短时间内,提高设计工作效率。
人工智能的应用d也有助于改善产品的质量,产品设计与质量标准与消费者的功能。保证更大的客户满意度,这可能会导致增加的利润和收入。物联网的实现在生产后,人工智能应用程序的出现在d将最有可能即将到来的工业革命的浪潮。AI-driven加法制造的主要技术可以使新车型在未来如果进步在精密自动化和机器学习等领域继续。
虽然机器学习已经用于创建产品,联系尚未完全实现。我们正在见证资料,可从多维数据或现有的资源,建议改进的算法,可以提醒消费者的机会。机器学习是现在强烈的进步的一部分,从设计材料粉原料,通过设备以变量的形式,并最终与部分。
4.1。机器学习(ML)预测熔池的温度
毫升可以用于预测熔池的温度通过观察周围其他参数。两个这样的ML算法进行测试,即XGBoost LSTM。都是擅长预测熔池温度。
递归神经网络(RNN)是一种特殊类型的人工神经网络。RNNs一般能记住和使用以前的结果来预测未来结果通过传感模式给出的序列数据。但随着这些依赖项的长度的增长,传统的RNN开始有不准确的结果。这是因为梯度消失的问题54]。问题是强调在长时间序列的数据。渐变衰减与数据流中的每个更新,因为它向后传播。这导致反向传播算法来获得更多的见解从最后一个数据点相比,第一个;例如,在图9,RNN的输入n比它将从输入1。这可能不利于算法的准确性,因为它可能会因此错过重要的早期迹象给它的数据流。
这个问题可以使用LSTM[补救55]。LSTMs是特别的,因为他们有能力处理长期的依赖关系。LSTM神经网络由一系列重复的模块神经网络也不像RNNs。主要的区别是,它有一个不同的结构在每一个模块,你可以看到图10。LSTM背后的核心理念是细胞状态,贯穿整个链模块,只有轻微的线性相互作用。它可以帮助缓解了信息的流动。LSTM的另一个巨大的优势是能够有选择地阅读,写作,和忘记信息(55)照顾的各种操作如图10。这些帮助它获得信息从整个数据集不给予任何数据点偏好仅仅因为其在序列中的位置。这使得一个非常健壮的算法,它可以很容易地识别序列,无论数据链的长度。
极端的梯度增加(XGBoost)是一种高度可伸缩的算法,能够处理高精度大范围的问题。受益于自动并行计算和定制的树结构,据报道,该算法比正常的快十倍增加树算法。XGBoost算法涉及到创建顺序决策树,每棵树能够拟合之前剩余的树。每棵树可以被理解为弱碱学习者有相对较低的预测精度,并结合(如图11),这些树给提高了性能。也为最好的结果,一些hyperparameters像树的数量,最大深度,学习速率,最小的孩子体重的叶子是基于以前的研究。
预测相似,明显的熔池温度的变化。与低变化LSTM表现略好,但XGBoost相比,效率低。XGBoost比LSTM快400倍的情况下的测试。他们的性能和岭回归相比,这是劣质(56]。
一些hyperparameters XGBoost调整的学习速率等数量的树木,最大深度,抽样率,和最小的孩子的体重。这样做是根据之前的实验结果(56]。LSTM类似,有些hyperparameters调整,如mini-batch大小、数量的时代,学习速率,序列长度、隐藏层的数量,和隐藏层的大小。这样做是根据之前的实验结果(56]。
24个实验数据用于训练模型预测模型,和其他被用于验证和测试。输入变量和一个输出的数据由熔池温度(56]。
4.2。使用一个卷积神经网络(CNN)预测扫描速度和激光功率
加法制造流程的识别是通过进行深度学习的应用。使用的算法提供了输入图像映射到相应的输出标签基于训练数据的特征提取传递给模型。在这种情况下,输入提供的热图像的形式收集的时间序列组成的相机d过程的各种设置。这些热图像是由CNN用于特征提取和模式识别模型。真实的图片d过程用于测试该模型的有效性。这种策略产生了令人信服的结果在识别模式在扫描速度和激光功率等参数(57]。
卷积神经网络(cnn)的类别下深学习算法专业从事图像(应用程序(如分割、分类和对象检测)。它们包括卷积层、maxpool层和致密层。卷积层(即利用卷积操作。,element-wise multiplication) of the image with other tensors known as filters in convolutional layers, whose weights are assigned relevant to the processing to achieve the desired mapping between input and output using the backpropagation algorithm [54]。因为图像是重能力和计算,maxpool层(图12)工作压缩图像大小以最小的损失重要的特性。
张量图像的多维张量的形式被夷为平地了为了对应一个输出标签之后,进一步进行线性和非线性处理致密层转换张量导致输出标签。热图像传递到深CNN架构(图13)图像提取和分类。
4.3。使用递归神经网络(RNN)来预测热d的历史过程
一个RNN结构(如图14)在一个封闭的复发性单元设计预测热历史与独特的几何定向能量沉积过程,激光功率,构建维度,给出战略、扫描速度和刀具轨迹的策略。RNN是最好的选择,因为RNNs允许数据的学习的时间依赖关系没有进一步指定的事情。同时,传统的时间序列需要精确调整每一个仿真。这使得RNN适合这种特殊的设置(58]。
多层递归神经网络结构与格勒乌配方用于研究。每个格勒乌细胞接收输入特性(xt)为特定的时间步长和时间步的一个隐藏的状态之前,这一步(ht1)。输出是一个新的隐藏状态(ht)。维度是每格勒乌细胞的数量单位。的帮助下重量和偏见,连接到其他细胞(58]。
使用Keras深学习开发库,模型建立。亚当优化器使用,均方误差函数是用来评估的成本和结果。使用伽马数据准备。γ是内部热分析有限元代码(58]。
4.4。使用LSTMs发现表面裂纹
激光点扫描系统旨在产生一个多模热源与各种模式空间位置和励磁控制时间。根据检测系统,LST方法与神经网络相结合的短期神经网络(LSTM)(在图表示15),一个新的发现表面裂纹的过程。后处理算法开发提取后的特征信号LST扫描方法表示分割分布:温度和温度梯度。插入的信号的神经网络训练继续预测裂缝宽度。当验证的可靠性LSTM神经网络进行,裂缝的实际表面镜头各种预测。估计的总误差LSTM神经网络预测裂缝宽度2.0被观察到μ发现是6.1米(和总错误μ米)的裂纹范围从3 - 68μ米(59]。
数值网格创建使用有限元分析软件对建模样本破碎。一个周期热来源与方波模式涉及到模型的表面使用FORTRAN代码(59]。
LSTM神经网络在这个项目中用于分析声音和文本的能力。它有以下层:一个输入层,包含内存块的复发性隐层和输出层。内存块包含特殊的记忆细胞,帮助self-connections存储时间状态和门单元。流控制与输入门(it)和输出门(ot) [59]。
振幅和热源半径精细调整。然后,执行的任务是看裂缝的热响应有不同的深度和宽度。最后,没有噪音的热响应,通过实验获得,被用来确定神经网络的结构。下一步是修改网络元素和模型应用于检测人工裂缝(59]。
LSTM训练神经网络的数据收集从有限元模拟和人工裂缝测试。获得(面)温度场数值复制。观察表面温度上升由于样本的热激发有不同的裂缝宽度和深度。所需的温度特性聚集热图像的裂缝的位置。收集的数据来自三个裂缝宽度和深度。具有以下结构层:(我)输入层(2)LSTM层(3)完全连接层(iv)辍学层(v)完全连接层(vi)回归层(59]
4.5。使用人工神经网络预测撕裂利率
在另一篇论文中,一个人工神经网络(ANN)是用于验证和优化的过程和结果。数据选择和预处理。L0正交阵列的输入参数和三个输入变量,即层厚度(LT),方向,和温度。输出由一个变量:磨损率。神经网络的隐层神经元有10和训练使用加速梯度下降算法和自适应学习速率(60]。梯度生成使用均方损失度量。
4.6。使用毫升预测沉积高度(DH)
这个实现是用激光工程化净成形(镜头),作为它的一个主要缺点是控制DH。这主要是因为大量的参数影响的过程。这就是ML算法。他们可以很容易地预测DH通过解析影响DH参数。
测试是反向传播算法和自适应学习速率和动量系数(BP-AM)和二(最小二乘支持向量机)。输入样本组成影响了DH的主要参数。此外,DH(算法)的输出单声道是累积的帮助下透镜实验(61年]。
BP-AM包含只有一个输入层。因为有三个输入,三个神经细胞也是必需的。输入由再生能源、激光功率和扫描速度。当隐藏层增加到3大小,训练时间也增加,等效误差相同的训练集。因此,隐藏层将由只有一层。
输出由一个神经元,产生单线的DH。的阈值和权值初始化使用随机值BP-AM 1和1的范围,而增量被初始化为0。最大循环时间,目标错误,动量因子,优化和学习速率是100000年,0.01,0.95,和0.03,分别。
提出了训练数据,包括参数和实验结果。这是获得培训前BP-AM模型。对数据进行归一化(62年)在培训之前完成。成功训练后,该模型进行预测的镜头过程(61年]。
像BP-AM模型、回归模型也促进规范化训练数据集和训练。对模型的优化,均方误差值的计算和使用。至于性能指标,均方误差和预测的相对误差计算和使用(61年]。
4.7。cnn对d模式进行分类
d模式造成的不同类型的粒子可能类似于人类的眼睛,尽管有细微的差别。这些差异,CNN轻易能够选择和分类可以帮助制造过程。
CNN输入层有大小28×28 (2 d图像),和建筑有两个卷积层。第一层由十内核大小的过滤器(6×6),和2有20层过滤器的内核大小(4×4),两步的(1×1)确保过滤器是经过每个像素。这些层有助于特征提取(边缘和形状)。ReLU激活函数应用到输出引入非线性神经网络。卷积的输出层减少了一层max-pooling池大小2×2,图像的维数减少了50%在每个最大池操作。压扁后20×20×7输出,得到了980个值,然后传递给一个完全连接层连接到另一个完全连接层包含2000个神经元。防止模型过度拟合,50%的辍学率是应用;这意味着在训练,渐变应用到只有50%的神经元在每个更新。这阻止了一组神经元控制决策过程(63年]。
至于数据集,作者使用了100000图片,每个类的50000。这些照片是分类如下:(我)60000:培训(2)20000:验证(3)20000:测试
4.8。使用RNNs预测热历史
堆叠RNN结构可以用于格勒乌设计来预测高维热历史对于一个给定的点。该模型显示的MSE 2.97e−5后100时代的训练。更长期的预测进一步检查和non-trained几何学。在加法制造过程中,RNN可以预测复杂的行为。该模型可以进一步提高递增时代的数量模型经过训练和增加不同类型的几何图形出现在数据集(58]。
输入的时间步(ht)和前一个时间步隐藏的状态(1)。这给出了一个新的隐藏状态(ht)作为输出。维度(隐藏状态)等于每格勒乌细胞的数量单位。隐藏状态连接其他国家使用重量和偏见。理解的拖后的相关数据,格勒乌的模型使用多层结构。结合不同的输出到一个时间序列临时输出,完全连接层。Keras库是用于构建模型。亚当•优化用于优化模型的评估,MSE成本函数被认为是(58]。
RNN模型训练的各种配置。它涉及格勒乌单位(100 - 500),1 - 5 RNN层,1 - 3层完全连接。达到的MSE价值1e−4,模型显示的有前景的结果在100时代和几层和单位。当增加到3层堆叠格勒乌,模型只有3.210e−5 MSE培训和3.84e−5在测试100时代。培训时间观察大约40 h Nvidia方形住宅区P5000 [58]。
4.9。使用人工神经网络预测微观结构之间的关系
探索Ti-6Al-4V的微观结构对力学性能的影响,合金,一些实验如锻造、热处理和拉伸测试合金在室温下进行。微观结构和力学性能之间的关系模型是记录使用的人工神经网络(ANN)模型提出了定量显微结构的特点,体积分数和厚度的阶段,和Feret比率作为输入,给拉伸性能极限抗拉强度,屈服强度,增量和减量面积作为输出,如图16。安技术被认为是最有效的方法之一,极大地应用于材料科学发展的内在关系等各种任务,预测力学性能和优化处理属性。在这种情况下,一个隐层的架构被选中,是因为这些类型的三层神经网络近似最简单的功能考虑到隐层的神经元数量的权利。在隐层神经元的数量不到什么是必需的,那么安没有理想的逼近能力,如果他们更比什么是必需的,那么会overfit模型,即神经网络回升的现象在不必要的训练数据的变化,使它看起来非常准确,在执行不好当面对前所未有的数据。因此,一些排列由作者编制的计算机程序进行处理。考虑到隐层神经元的数量和其对网络的性能,影响神经元的数量改变了从1到20。为了避免过度拟合,架构包含20多个隐层神经元没有测试。基于这些实验,发现16个隐层神经元的网络给了最好的输出与预期的错误宽容。推导了结构模型中的3-16-4。输入层有三个节点:体积分数的α阶段,的厚度α阶段,和Feret比。此外,输出层有四个节点:极限抗拉强度,屈服强度,伸长率,断面缩减。更有效地训练模型,输入和输出数据已经按比例缩小的范围为0.1到0.9。有不到5%的预期和测试值之间的误差,这表明,该模型可以预测必要的关系。微观结构特征的集体影响限制合金的力学性能通过使用这个模型来检查模型的完整性的能力。当计算,所有的值R是更重要的比0.90和日军为1.22%,这表明,预测结果适合至少90%的实验结果和模型可以成功地预测合金的内部微观结构和力学性能之间的关系和操作可靠性(64年]。
同样,他开发了一个模型来预测相同的合金的拉伸性能使用混合安和遗传算法的方法。起初,安被训练和测试,假设拟合不发生。因此,作者有一个n变量响应面变量在哪里微观结构参数及其组合。安也探索了使用虚拟实验来评估每个输入的重要性通过保持其他输入值的平均水平。然后使用这些实验结合理论来估计“载荷”(一组可能的范围),未知因子和指数基于实物的方程。然后,GA找到一个理想的解决方案。作为GA将要满足的解决方案,同时产生的响应表面模型、遗传算法和安,使用虚拟实验进行比较。然后,基于相同的两个模型,模型更接近理论值的条款和模型预测和实验值之间用最小的散射被赋予更高的权重。通过这种方式,一个基于实物模型与预测能力训练有素的ANN模型可以产生但身体理解加强机制的基础。作者使用的目的,实现卷积神经网络(热图像特征提取的数据)和ANN方法(识别参数的影响)调查热历史图像失真的构建过程和工艺参数影响开发方法(65年]。
4.10。使用毫升预测单一几何穿着d
可以有物理事件发生的顺序描述与喷粉定向能分解。当激光能量底物,其能源的一个重要部分的存在。剩余能量分布在反射和精神的粉末粒子,路径衬底。这个过程可以表示交替的激光创建一个熔池金属粉末注射是构建复合。为了更好地理解这个过程的定向能分解和包层,建立了模型预测的结果和动力学过程。当分类广泛,有两种类型的这些模型:基于物理模型和empirical-statistical-based模型。传热的基本物理现象给出了分析结果,质量传递,在一定的连续性假设和边界条件。然而,这些模型预测能力面对过程的可变性。作者已经设计出一种方法,属于empirical-statistical模型数据的科学。Empirical-statistical模型解决过程的可变性通过直接测量和构建流程映射来预测直接测试行为。 Moreover, even in empirical-statistical models, regression models are the best and most studied form. They are easy to use and have significant value in the practical sense [66年]。
训练这个算法使用的数据集是一组工艺参数研究的数据点。输入设置由粉状物料(一个炎热的编码(67年]),基材(一个热编码),光斑大小(毫米),电力(W),质量流率(g /分钟)、旅行速度(毫米/分钟)和沉积角度(高度(毫米),宽度(毫米),和接触角(度))。分类进行,兴趣和长宽比的输出(H / W)之前必须分成类应用毫升技术。自从原始数据是连续的,值为0.5时选择目标,和间隔的距离目标价值的形成,使离散数据,使得算法更容易解析。作者开发基于ML dataset-wide模型技术来评估这些模型的预测能力。毫升技术使用神经网络,梯度提高了决策树、支持向量机、高斯过程技术。所有这些模型的结果进行对比检查哪一个表现最好的。数据集预处理,应用前面提到的机器学习技术。本研究中使用的神经网络结构借鉴McGhee并使用所谓的线性“跳过连接”68年)逃避梯度消失的问题。广义概念是这组只有一个线性神经元激活函数将捕获线性工件的数据而非线性神经元将捕捉非线性工件。McGhee表明此体系结构作为一种手段,提高NNs在表格数据的有效性66年]。
神经网络回归表现出类似对数曲线响应图中固有empirical-statistical模型。有大量的方差在回归模型的结果仍然存在。这表明模型的缺点,提供了一个高方差的数据集。然而,模型是成功的,它产生材料和工艺条件之间的泛化。方差的非减数是当研究神经网络模型的分类结果。网络只是一个二元分类器,即使它是多输入。GP的响应面模型表明离开NN和empirical-statistical模型的对数曲线。这离职导致较小的方差比模型。这是进一步支持的分类结果,GP模型并不是一个简单的二元分类器。包含更多的类产生一个更好的预测模型。 The deduction is that the Gaussian inductive prior of the GP model is more informative at a high dimension than the radial basis kernel in this dataset. SVMs, when compared to the NNs, have lower variance and better classification accuracy, even though the SVMs and NNs both entirely overestimate non-optimal clads as classifiers. The gradient boosted decision tree (GBT) model lends credence to its effectiveness on tabular data. The resulting classification distribution closely follows that of the dataset. However, the coefficient of determination,r2价值,是所有模型检查中最低的。这表明,异常值可能over-penalized模型,降低了R2值(66年]。
4.11。在CO2激光Micro-Milling预测表面特征
预测的表面特征,即。,depth and surface roughness of plastic composite augmented by glass fiber, an approach using ANN to be applied after CO2 laser milling consisting of layers and neurons has to be developed and optimized. In ANN, there are three types of layers, i.e., input layer, hidden layer, and output layer. Hidden layers are responsible for establishing a connection between the rest of the layers based on learning by the data. Neurons include inputs, weights, a summation function, an activation function, and outputs. The summation equation as given in the below equation finds the total input of the neuron: 在网我是一个加权和的输入我th处理元素,代表偏见层之间的权重,xj的输出是什么jth处理元素,代表之间的连接权重我th和j处理元素,我和j处理元素,处理元素的数量在最后一层。它使用各种网络结构像3-1-3,3-3-3,3-6-3,3-7-3,3-1-1-3,3-3-3-3,3-6-6-3,3-7-7-3基于试错过程。前面提到的数字序列的订单数量的神经元层的安。为训练数据集,许多参数,如材料的可用性,所需成本和时间被认为是进行实验。60实验的数据集被认为是最准确的结果和假设提供了使用ANN预测表面粗糙度测试模型。选择的算法实现的前馈反向传播算法。使用日志团体传递函数的方法和评估的模型是基于均方误差(MSE)性能的功能。每个网络结构的平均预测误差进行了计算,并根据结果,两个隐藏层有六个节点在每个被发现是最准确的,即,3-6-6-3。因此,得出的结论是,ANN方法使用3-6-6-3网络结构是最合适的一个69年]。
4.12。ANN预测晶界倾角与钛合金在执行d
ANN模型是研究开发的晶粒之间的联系倾角和三个诱发因素,即。、热梯度、晶体取向,在d马朗戈尼效应。像EBSD实验,观察熔池横截面,晶粒间倾斜角度测量进行提取和训练模型。使用这些实验,50组数据是评估收集的ANN模型。这个模型是前馈神经网络与网络结构1-5-10-1,即,我nput and output layer with one neuron each and two hidden layers with 5 and 10 neurons, respectively. The input consisted of three different angles: thermal gradient, crystal orientation, and Marangoni effect. Moreover, prediction results for the grain-boundary tilt angle were given as output by the output layer. It was implemented on PyTorch, an open-source machine learning platform. The model’s accuracy, i.e., training and testing performance, was calculated using mean squared error metric (MSE). The model was tested 20 times by randomly changing training and test sets to calculate the mean MSE and the corresponding variance [70年]。
4.13。人工智能在3 d印刷金属
一些研究在过去几年里展示了三维金属印刷不一致的,可重复的、可追踪的,因为许多独立变量。解决这些问题,可以采用人工智能。除了解决上面提到的问题以外,它还将帮助改善技术。由于人工智能,打印机在美联储的帮助下学习数据做出假设,决定独立装配正确的参数。观察内部流程和控制,传感器和摄像机是适应喷嘴的打印机。观察到的数据被送入特定软件测量和分析多个实时构建。这种方法有助于打印机学习和理解问题,因此使用AI找到最好的解决方案。当机器能理解参数之间的关系,它可以决定哪些参数将是最好的输出(71年]。
4.14。决策支持系统在激光添加剂制造
激光金属产品的现代技术是使用粉末成分包括理论模型和实验数据。一个决策支持系统(DSS)可用于激光点的过程(72年]。
输入过程的类型,包括设备的过程中,参考和术语操作时,如形状、结构、特征的产品,加工部分的特点,其几何形式,化学成分的属性。的输出信息包括设置工艺参数控制,激光功率、激光发射模式下,光束直径,线速度的激光在金属表面,层之间的偏移量,粉末流量,运营商,屏蔽、压缩气体流速和基质的特性。相应的本体激发数据库和知识库。数据库包含的组件是系统和信息所需的材料。软件组件包括编辑器创建和维护的DSS,结构化的工具情况下,过程的控制参数,监测系统之间的交互的外部工具理化的数学建模72年]。
5。结果与讨论
5.1。d过程和进步
虽然定向能量沉积是越来越受欢迎,许多研究人员很热心开展各种类型的研究对这个话题。最理想的目的是改进过程以任何的方式通过分析不同结果不同的研究,直到我们达到一定良好的工艺参数。其中一个研究是由Heigel等人开发的形变场模型d过程与Ti-6Al-4V提要材料。许多研究人员考虑在所有表面自由对流而创建形变场模型。这可能不会导致准确的仿真结果。这里,计量对流模型完成了三个口供具有不同几何图形和停顿时间。一个额外的模型所有表面上使用自由对流的假设。的差异结果表明为什么计量对流模型需要产生准确的仿真结果。Optomec镜头MR-7系统使用500 W IPG光学器材公司光纤激光器的三个口供(73年]。创建一个氩气氛的氩飞机30 L / min能力与氧气比例不到15 ppm。Ti-6Al-4V粉(44 - 149μ米直径)是由四个飞机流量总计4 L / min。毕竟三个口供,强制对流模型产生更精确的结果与一个错误率达到10.4%,而自由对流模型有一个43.8%的错误率。这表明计量强制对流模型生成比自由对流模型更可靠的结果。尽管基于强制对流的测量效率,它在某些方面可以提高作者开出。机械模型可以提高通过执行更详细的测量来探索特定部分的几何图形在对流的影响。同时,我们可以使用批准的CFD分析验证CFD的气体流。这项工作也表明需要一个更详细的力学模型,该模型产生准确的偏转在只有一个的情况下,尽管拥有优越的热的结果。同样,杨等人建立了一个三维Ti-6A-4V弹性模型检查激光能量净形状的形变场的行为(镜头)的过程。准静态和动态分析预测使用FMEA过程。实验和仿真的比较静态和动态执行分析。 They both compared mechanically to reduce computational costs. Mesh analysis is performed, and it consists of 6094 elements and 10378 nodes. The laser used in this process is 400 w IPG fiber laser, and its intensity is around 300 W [74年]。确定熔池的热特性和凝固参数也很重要,和细微观结构一致。然而,使用当前的方法确定它们是一个长期的过程,而且占用了太多时间。黄等人研究了快速预测实时热特性,在激光d凝固参数和微观结构。本研究相关局部瞬态热特性如冷却速率、温度等和凝固参数如热梯度和固化率的工艺参数的快速预测微观结构演化。这种相关性验证,沉淀不锈钢316 L和625铬镍铁合金进行实验。这项研究是由使用LPF_AM装置和铬镍铁合金颗粒大小45 - 125μm。1.1千瓦IPG光学器材公司光纤激光器用于形成熔池。熔池的温度测量是在配合不同以前的研究的结果在不同的速度和不同的能量密度。发现DAS(树突臂间距)更微妙的扫描速度比激光功率。这项研究还发现,高扫描速度和激光功率较低导致细微观结构。更好的微观结构被发现在前区316不锈钢625 L和铬镍铁合金由于冷却率从底部到顶部。冷却速率的计算时间(G×R),G/R比例是大约40 ms的宽容三分在这个实验中,肯定这个工作需要的能力利用原位预测的温暖和硬化特性75年]。许等人研究是过程切片方法用于提高质量和消除支持结构。有三种类型的切片方法:粉、多向、non-layer-wise切片方法。一些传统的过程是有效的在粉喜欢床上融合(PBF)系统,因为他们需要昂贵的支持在d的过程。多向和non-layer-wise方法用于实现质量和需要昂贵的支持。在传统的切片方法,轮廓外推法用于片固体模型,和步进式统一方法用于切片的CAD模型,以实现表面精度高。建立理想的形状建造时间较短,准确的外观和拳头的内部方法。当地自适应切片用于减少制造时间和维持高表面质量。建立正常的复杂零件,decomposition-regrouping切时间已经使用,但是他们的方法是低效的内孔。多向切片方法用于构建部件没有支持结构,增加表面的质量。 A non-layer-wise method is used to build components without support structures (Table7)。所以,它节省了材料成本76年]。
原位监测是用来理解物理现象。影响工艺参数如孔隙的形成和粉末流。高速X-beam雷射—合作在不同的方法揭示的d准备可以帮助批准的温暖,thermo-liquid动态、和形变场模型。piezo-driven粉末输送系统控制功率输出是过程中影响熔池的几何和力学行为。高压放大器控制压电元件和振动导致重力流。表面的应变软化池乘火车粒子表面进入池或排放热粒子。颗粒流到溶解池影响的强度laser-instigated洞,包括熔池。质量的变化进入软化池影响软化池的冷却速度,达到106 k / s (77年]。许等人在出版工作,提出了一种三目的的评估框架,建立评估包层地位在d交互利用参考点估计技术。精确的技术已经被使用一个对齐酒吧过程改进纠正FOV影响和观点奇迹。引人注目的是,该技术是积极向测试安排错误,在计算上直接和精确。
,但照片的技术取决于利用发现者的有价值的目标,因为别的事情,单位距离解决了图片中的每一个像素都是非凡的不同地区的图片。因此,直接怀疑的基础提出的估计计算目前并不持有。在执行该估计策略,分离策略是用来消除混乱和不受欢迎的基金会地区的照片。使用红外摄像机捕捉软化池图片可能会提供更多的包层的准确估计身材比获得利用电脑摄像头使用在当前考试以来明显的范围由很多噪音。尽管如此,一个红外摄像机是更昂贵的比一个先进的相机。
此外,结果获得了利用目前接近4.2%的电脑摄像头会出错的具体结果获得了利用光学三维扫描仪和卡尺78年]。因此,这种技术提出了考试结果让最少的努力是有用的和准确的方法估算d中的“包层高度”的过程。激光束加法制造(LBAM)过程可以用来生成实际的部分通过layer-wise-cladding提供一个机会来生成复杂形状的零件和功能梯度部分用来构建各种工程组件。汤普森等人关注热现象在美联储直接激光沉积(DLD)过程。在金属零件,PBF和d过程是最可行的方法。PBF激光的选择性激光熔化(SLM)是用于创建金属部分。PBF用于完成零件质量更精致。DLD的过程是用来生产零部件,但它需要后处理获得高表面质量的部分。不仅表面质量,但这个过程是有利的突出部分。PBF过程中,粉末作为支持,不需要任何其他支撑结构。 Both single and multi-nozzle can be used to feed powder [79年]。
类型的激光器使用掺钕钇铝石榴石(Nd: YG)激光和C02-type激光脉冲波,如图17。Nd: YG激光功率范围从1到5 kW,和二氧化碳激光能力附近18千瓦。有两种类型的提要材料:粉和电线。主要DLD一直常用的获得更精细的沉积过程。‘和PBF-L过程都是在惰性气体室操作。这个过程使用电子束真空室。DLD DLD挑战d过程效率,控制,数值模拟,过程参数,工业应用,过程监控的局限性,DLD分级材料,和近净成型。NNS是完全在DLD的生产过程,不需要进一步的加工过程。DLD PBF-L和吸引力添加substance-producing战略金属自室应与惰性气体清洗工作。料层和d方法使用电子辐射室需要完整的真空条件下,哪个更经常过高(79年]。
很多研究是Ti-6Al-4V等材料,不锈钢、铬镍铁合金,铝及其合金是最常用的材料。其中一个研究是针对硅合金Javidani et al。硅合金是最适合焊接的目的,因此在很多应用中最常用的材料之一。在这个研究中,AlSi10Mg粉末粒子在衬底上沉积一层一层地使用500 W IREPA IPG光学器材公司光纤激光器以及粉料机料斗。45 - 90μm是将沉积粒度的可接受范围。根据作者,最终沉积几乎没有缺陷。发现细胞树突被发现在该地区附近的衬底,紧随其后的是柱状树突的中间层,然后等轴枝晶形态的上层存款。硬度测试结果表明,该地区靠近衬底(细胞树突)显示硬度值最高(近65高压)和上层(等轴树枝晶)最低硬度值(近53高压)由于其粗微观结构(80年]。也发现组织边界附近的粗层比层接近核心。这项工作证明了d过程可以有效地打印硅合金对于很多应用程序。d过程发现许多应用程序在制造薄壁蜂窝结构和复杂的热交换器在薄墙。这些应用程序只在墙上时完成创建的是脆弱的。这样一个工作由Jinoop等人关注d的能力制造薄墙使用LAM-DED过程和铬镍铁合金718作为饲料原料。2千瓦内部开发的光纤激光器用于LAM-DED系统。基质是喷砂SS304L(10毫米厚,直径75毫米),固定在一个五轴数控激光工作站。99.99%的氩气纯度作为保护气体与氧气小于2 ppm,氮少于3 ppm,碳氢化合物小于0.2 ppm。保护气体的流量是将所有实验(图6 - 8 L / min18)。
广泛使用的IN718粉末粒径从45 - 106μ使用m。创建最后一部分后,浸泡1小时在950°C,然后水淬火。类似的后处理完成另一个最后一个组件,它是在1050°C和水浸泡一个小时熄灭。发现最大的激光能量单位长度(E马克斯)是210 kJ / m和最低的(E最小值)大约是105 kJ / m。同时,单位长度最大的送粉速度(F马克斯)是12.5 g / m,相同的最小值(F最小值)大约是4 g / m制造没有缺陷薄墙。墙上有一个树突微结构不受任何缺陷。理想的工艺参数均匀沉积,沉积率高是1400 W激光功率,扫描速度为0.01米/秒,0.117 g / s送粉速度。加热后的治疗过程导致减少组件的表面残余应力。而竣工组件512±15.46 MPa的残余应力,减少到422±12.99 MPa,热处理在950°C (HT950)和进一步减少到254±11.80 MPa时在1050°C (HT1050)。这意味着残余应力降低50%后热处理工艺。由于后加热处理,表面微观结构被发现再结晶。延性增加了62.5%,而硬度降低12% (81年]。同时,能源存储容量增加了2.4倍。这证明LAM-DED过程适用于所需的应用程序,可以有效地用于薄壁制造。
Saboori等人研究了微观结构和力学性能的d AISI316L不锈钢。d在编造一个优势附近净形状和高功能组件。d为不同的工程应用提供高价值部分。然而,有一个缺乏知识关于建立机械特性和微观结构的部分。有不同的沉积模式由于沉积头和衬底之间的运动。由于其高沉积速率,这个过程被广泛用于构建大组件。维过程的缺点显示粉效率低,和表面粗糙度应由加工过程。d的热历史,如温度梯度、高冷却速率和高升温速率,定义了谷物在d组件的大小。因为所有这些参数是重要的构建部分,有效的参数如温度梯度和局部凝固速率固体/液体界面定义组织的凝固。冷却速度在103 - 104 k / s可以得到所需的微观结构和力学性能在d组件。 During heat transfer in the DED process, it is found that columnar structures grow in the direction of a thermal gradient, which dominates the middle height of the sample. Higher micro-hardness and finer microstructure are formed at the bottom top of DED components. There is a possibility of affecting thermal history due to the cooling rate, and it is one critical process. The cooling rate in DED of AISI316L ranges from 103–104 ks, which has a typical cooling rate. When the laser power increases, the average primary cellular arm spacing (PACS) of AISI316 produced in DED ranges from 3 to 9 μm。为了减少氧化内容,这些应该是在可靠的气氛中完成。从工业的角度来看,机械性能如硬度和拉伸性能是主要的质量指标。在实现高机械性能的主要因素是降低晶粒尺寸和树突的大小。建筑喂养率等参数,扫描饲料,以提高质量和激光功率是关键因素。影响拉伸性能的因素是纹理,细长的树枝晶,晶粒形态。粉的质量影响孔隙度和整合和组件的质量起着重要的作用。高机械性能可以获得当这个过程是在N2满室举行。然而,惰性气体会影响合金的微观结构。进行不同的热处理工艺来降低内部压力。AISI316L,高耐腐蚀性能和良好的机械性能,用于不同的领域,如石油化工和汽车行业(82年]。d过程可以制造定制的和复杂的零件和金属零部件和维修价值的原型,传统工艺无法修复。钛是一种常用的合金在航空、航天、生物医学,和汽车行业因其耐腐蚀、显著的强度和断裂韧性。然而,挑战对于某些应用程序由于其导热系数低,导致可怜的可加工性。热梯度的比例(G)和温度梯度(R)影响固化的形状,而热梯度和温度梯度影响微观结构维度。较低的比例G/R显示了谷物的晶粒形态,高的比例G/R显示了谷物的主要形态。的G和R值受到几个因素的影响,如材料特性,机器状态,和其他工艺参数(83年]。Ti-6Al-4V结构产生的d过程porosity-free组件使用高激光功率和无粉率低。热梯度和冷却速率影响的微观结构Ti-6Al-4V组件。知道组件的热历史是很重要的,因为它会影响微观结构的各向异性。不锈钢的主要饲料原料中使用d流程。d编造许多不锈钢零件,广泛应用于许多实际应用。因此,有一个高风险的材料被腐蚀。因此,不锈钢的腐蚀特性通过d过程需要研究提出解决方案来减少它在未来。其中一个研究是由米利亚等人的腐蚀性能SS304L并与锻SS304L对腐蚀评估其有效性。商用SS304L粉直径45 - 90的范围μm是用作饲料的材料。两种类型的d系统被用于这项研究。一个是低功耗(LP) d使用Optomec镜头MR-7,和另一个是高功率(HP) d使用国产的高功率和沉积d系统。热输入的LP系统是0.03 kJ /毫米,而惠普的热量输入系统是决定0.45 kJ /毫米。结果部分进行腐蚀使用potentio-static等技术,电化学循环potentiodynamic极化,双闭环potentio-kinetic复活(DLEPR)。最后沉积的SS304L显示微观结构有分散纳米氧化物粒子,缺乏融合(LOF)和气体孔隙度。发现LOF毛孔可以作为裂隙创建网站和影响部分的耐蚀性。intra-dendritic部分控制故障电阻。在缺乏LOF毛孔,惠普的Eb过程是100 mV低于LP过程。SS304L部分由d显示较低的耐蚀性比锻SS304L由于LOF孔隙微观结构的形成。 The authors suggest that corrosion resistance can be enhanced considerably by minimizing LOF defects and achieving higher cooling rates. The authors also suggest long-term research in this area for those materials to be useful in corrosive environments [84年]。
5.2。工艺参数:有效指导d的过程
使用目前可用的文学,工艺参数的设计导致一个有效维过程。这些参数指导研究人员了解过程和有效地执行它的核心机械的过程。(1)许多研究人员使用了一种家庭d系统,使用来自不同公司不同部分连接为一个单一的系统。这是一个更好的方法来降低成本比使用3 d打印机从Optomec这样的认证公司。虽然这种方法有效地降低了成本,但它有许多明显的缺点,会影响研究结果。这是因为以下的原因。首先,也是最重要的原因是家庭d系统不可靠。使用廉价的部件可以导致激光功率和扫描速度波动。高的激光功率和扫描速度意味着粗微观结构和较大的DAS(树突臂间距)75年]。使用家庭d系统也能导致不同粉末饲料利率,导致不规则的口供和重叠的层。尽管昂贵,使用可靠的d系统如Optomec镜头MR-7要好得多由于他们长期的稳定。这些3 d打印机使用数控控制系统(3轴或五轴)更好地定位衬底上的存款。它使用内置的500 W IPG光学器材公司光纤激光器的不断提供激光功率为410 W。这种激光也升级为1千瓦。这些高端打印机也配备热成像摄像机与分析软件。这个特性有利于确定表面热应力的数量部分。这些系统有一个更好的气氛控制监控保护气体和氧在气室。家庭d系统不能监控的氧气在惰性气体室这样的精度,和熔池氧化是否高的氧气。 Systems like Optomec LENS MR-7 also come with more powder feeders to create parts with different materials. Every layer can be different from the previous layer. Therefore, the use of a proper DED system is essential to ensure correct results and successful research.(2)工具钢的热处理显示不同的特征维过程。然而,热处理工艺是用于提高组件的机械性能。工具钢H13和D2等沉积在衬底使用d过程沉积H13钢的硬度高于锻H13钢衬底。同时,把D2的硬度较低而造成D2。微观结构和热处理随不同的材料用于d。对镍基合金,焊后热处理进行了从材料和缓解压力增加强度。钢材,热处理进行了残余应力和晶粒细化。的机械性能如硬度、抗拉强度、冲击强度可以提高使用热处理。正如研究表明,热处理可以消除新沉积的层和预先存在的层之间的界限。热处理工艺后,似乎H13钢的微观结构改变,类似于锻H13钢。 Both microstructures seem to be tempered. Martensite and XRD results show that the phase of H13 steel was ferrite. After heat treatment, the equilibrium of H13 steel was austenite and maintains the temperature at 1293 K. After heat treatment, the chemical composition of deposited H13 and wrought H13 seems to be similar. However, the microstructure of D2 steel is dendritic and eutectic. The microstructure of deposited D2 and wrought D2 is different. The deposited D2 consists of fine carbide, which is dissimilar to wrought D2. However, wrought D2 has martensitic structures. The microstructures without heat treatment process consist of columnar crystals [85年]。在印刷过程中,材料可以收集紧张和内应力,从而影响力学性能。这样可以减少热处理效果。所以,它可以提供外部特性,如抗拉强度和耐热性。价值取向的热处理过程可以受益合金如钛合金、不锈钢、镍合金等(86年]。(3)选择类型的提要材料d过程中也非常重要。提要材料可以是线或粉根据研究员所期望的结果的类型。在某些情况下,使用电线或粉并不重要,研究者只要被沉积在衬底材料。在这种情况下,可以使用粉喂养,因为大多数金属和陶瓷粉末在市场上广泛使用。然而,使用状饲料的材料的一个主要缺点是,粉捕获效率总是小于100%87年]。也就是说,所有的粉末送入馈线不是捕获在熔池中。因此,多余的粉是利用。同时,沉积的厚度由粉饲料由送丝比沉积厚度。这个厚度有助于克服一些皱纹表面自然地理学与定向能量沉积有关。如果进给量材料的基本特性之一被认为是在具体的研究中,使用wire-based饲料原料,因为它总是明智的俘获效率接近100%。当特定的研究涉及到制作基本的几何图形,或厚或薄,和一些网站结构,最好使用送丝。Wire-based饲料生产无气孔部分的密度高而产生的部分零件由粉饲料。Wire-based提要确实生产零部件尺寸精度较低与状线相比提要。这可以大大提高了控制送丝速度等工艺参数和厚度。 The optimal process parameters for doing this varies for different materials and can be found through further research. Therefore, if the surface texture and quality are not an issue, wire-based feeds are the best way to reduce material wastage and create parts with greater densities.(4)层厚度是最重要的工艺参数之一,一层一层地AM-DED过程中构建组件。层厚度可以确定基于单层高度在沉积。层厚度在维护中起着重要作用的强度和良好的表面质量组件。d技术包括两种能源:激光能量和电子束,一层一层地建造金属组件。它可用于修理或建立新的部件。研究人员说,组件的几何形状和结构取决于层的厚度。熔池体积的增加和减少层厚度对粗糙度都有好处。切片的策略可以帮助减少制造时间和沉淀层厚度取决于工艺参数。(5)层厚度提高不仅几何的准确性,而且组件的机械性能。d过程中切片的主要缺点是,它需要额外的加工过程,以提高精确度88年]。有三种切片方法:反馈控制,传统,和自适应切片方法。传统的方法可以达到目标的高度,直到1.5毫米和自适应切片可以达到目标高度到1.82毫米。在钢铁、微观硬度增加从第一层淀积层顶部。顶层显示最高的硬度。层的高度可以增加由于能源或粉末饲料。反馈控制中软有关几何性能。传统的和自适应的方法也被称为一个开环的过程。开环过程集定义的值,没有反馈过程输出。自适应切片是一个有益的方法建立质量部件和减少生产时间。(6)的一个重要工艺参数在定向能量沉积过程中激光功率。系统中使用的激光功率量决定了许多基本属性,如熔池的大小,存款的密度,其厚度。首先,激光功率的增加会导致增加了熔池的大小。这是因为随着熔池的温度增加,材料扩展到一个特定的限制,增加了熔池的大小。熔池的大小的增加意味着减少密度(89年]。因此,当熔池沉积,它涵盖了更多区域基质,因此高度轨道宽度将会增加。激光功率显示其效果不仅在熔池也在衬底上。一般来说,激光稍微融化衬底与存款创造一个更好的债券。这就是所谓的稀释。如果激光功率高,增加底物稀释,因此渗透深度的增加存款。这导致存款高度低于计划的研究员。同时,降低激光的权力(100 W - 400 W)导致熔化池的快速凝固。甚至部分凝固熔体池增加密度。可以创建许多研究人员发现,结垢沉积表面由于熔池的快速凝固(90年]。有时,存款与光滑表面或低表面粗糙度所需的属性的研究。在这种情况下,发现高气体流速结合激光功率可以沉积材料表面粗糙度较低。最后,发现关键输出参数如包层厚度、稀释、温度和热应力会随着激光功率的增加而增加。这些参数,温度和稀释成为常数,因为他们达到一个点称为饱和水平(91年]。(7)粉末流速对改善工业应用的再现性和可靠性至关重要。由于缺少传感器,测量粉末流量变得困难。然而,如今,许多不同的方法介绍了测量粉末流量。工业使用的设备称为减肥调节粉末流量计量系统。在线粉流量不推荐,因为低粉流率。光电传感器是用于粉末流量,它由一个光电二极管,玻璃窗户,和激光二极管。激光的能量被用来调节功率流,并发送过程反馈信号。另一个传感器,如一个紧凑的压力传感器,可用于粉末流量,这高流量需要高压力。假设有一个常数粉末流量沉积点,导致稀释和孔隙度。变量粉末流量(VPFR)是最好的策略采用因为VPFR的想法是粉的常数分布沿路径。 It even helps to measure uniform morphology if the system decelerates or accelerates. The powder flow rate system consists of a PC that controls the powder flow rate. The circle-shaped or fish-shaped parts were fabricated using three different powder flow rate references: variable-based, constant, and modified [92年]。(8)扫描速度是另一个重要的工艺参数,主要会影响熔池尺寸。没有理想的扫描速度定义为一个过程。最佳扫描速度值变化从一个材料到另一个材料,一个过程到另一个过程。然而,扫描速度下降的结果,一般大量建造的大型熔池高度和微薄的稀释率。当扫描速度很低,抗弯强度提高明显由于减少颗粒大小和抑制宏观裂缝。高扫描速度对熔池尺寸减少的影响。扫描速度的增加导致低熔点或缺乏融合。所以,不会产生熔池(93年]。随着扫描速度的增加,堆焊高度,温度,压力,和包层高度降低91年]。这是因为低能量密度或热输入由于更少的相互作用时间。在高扫描速度、热应力降低和定向晶粒生长减弱,导致显著的抑制裂缝的表面的一部分。在更高的扫描速度、孔隙度增加由于熔池粘度的增加。孔隙度的增加明显降低的力量最终的组件。另外,随着扫描速度的增加,断裂韧性增加最后的组件。这是由于微观结构引起的细化,抗弯强度显示了一个抛物线。然而,使用高或低扫描速度可以使用介质中和扫描速度(400 - 500毫米/秒)。通过使用介质扫描速度,示例展示了优秀的综合平衡的韧性和强度。
5.3。人工智能在德
的结果使用d AI看起来有前途的技术。人工智能带来了一个重大影响技术的质量和效率,同时减少浪费。从实验结果讨论了执行的影响将有助于证明人工智能在这一节中。
模型的精度进行了评估基于RMSE,再保险公司和确定系数(R2)。LSTM预测演示了模型对噪声的强度。然而,XGBoost显示其相对疲软有变化或不稳定时的温度。这导致与峰值。观测值的RMSE、再保险和R2模型的有XGBoost 95.9, 3.7%和54.4%,分别。同样的,预测的三个测量使用LSTM 88.2, 3.4%, 60.1%。XGBoost, RMSE相比,再保险公司R2提高了8.0%、8.1%和10.5%,分别对模型基于LSTM [56]。
它也观察到温度低于约2000°C, LSTM模型生成更精确的预测。然而,对于值大约2000°C以上两种模型(XGBoost和LSTM)失败给高度准确的结果(56]。
从第七实验中,激光功率为350 W的11毫米/秒扫描速度。RMSE,再保险,R2预测使用XGBoost 24.0、1.0%和51.8%,分别。同样,RMSE、再保险和R2LSTM 20.1, 0.8%, 67.1%。预测精度的LSTM XGBoost根据观察到的RMSE值,再保险,R2提高了16.3%、20.0%和29.5%,分别。鉴于总体规模较小的变化,模型基于LSTM提供更好的性能比XGBoost [56]。
最后,它是观察到模型建立与LSTM比使用XGBoost构建的模型具有较高的精度。XGBoost比LSTM更快,所以LSTM适用于较小的数据集。特殊情况下的实验,LSTM是合适的,但是这不能说所有情况下(56]。从[3),我们可以有以下的比较如表所示8。
Levenberg-Marquardt算法,使用MATLAB中的TRAINLM函数,构造训练分配70%的数据,15%的测试和验证为15%。发现的最小均方误差达到10.6×纯(后四个时期),和地区的相关系数;培训:14数据是0.983;验证:3数据是0.999;测试:3数据是0.999;整体数据20分0.987。至于平均绝对百分比误差,计算值的日军RSM和安是0.587和0.188,分别。最后,它是确定安表现明显优于RSM,带来更好的预测。减少67.97%的观察与安在日军RSM [94年]。
两个堆叠RNN模型训练。模型训练了20年代和50年代,他们测试了100秒的热历史。模型训练了20秒继续充分预测大约60秒的热历史,显示7.05的均方误差e−5为100秒。模型训练了50秒只有3.17e−5 MSE热历史预测的100秒。这减少MSE之际,更多的培训时间和资源的成本(58]。
这四个测试表明,80%的准确性可以很容易地实现各种任务。这个结果表明,该模型是有效的过程监控。这也优于款模型在某些情况下。结果表明,DCNN结构更适合在加法制造热图像处理相关的问题(57]。
RNN模型提出了作者在不同的安排训练。这包括层的数量,格勒乌单位,和完全连接层。RNN层:1 - 5,格勒乌单位:100 - 500,和完全连接层:1 - 5。模型1的MSEe−4后100时代的训练和较小的层数。达到3.210的均方误差e−5培训和3.84e−5测试有许多层和单位100年时期的训练。培训的时间消耗大约40 h Nvidia方形住宅区P5000。最后,结果表明,模型可能达到2.97e−5 MSE测试后100时代的培训(58]。
在宽度预测样本10,最大绝对误差为13.9μ米被发现的相对误差为8.2%。从有限元数据,平均误差为6.88μm达到50 - 170的裂缝μ示例3 m。,最大误差18μ米被发现。通过人工裂缝预测数据是7.41μ56 - 160米的裂缝μm。从有限元模拟和人工裂缝数据,可以看出LSTM NN相当可靠。对于这个应用程序,结合技术LSR-NN测试来检测裂缝宽度的镜头耐磨涂层。预测的平均误差为2.0μ米,最大误差为6.1μ3 - 68米的裂缝μ米(59]。
二,BP-AM相比(表9),显示了更好的泛化能力和其强度函数近似。因此,为生物更多的可用的镜头过程更准确的预测(60]。
的帮助下情节比较CNN和BDT的表演,BDT背景抑制了68.73%,而CNN信号效率为93.02% 60%。这是为1例。对于第二个场景,BDT背景抑制了86.84%对96.39% CNN信号效率60%。CNN优于BDT更多可观的信号效率(63年]。
自从处理能力激增,深度学习的领域。众多先进技术采取了一种形式,可以超越CNN。帽网就是其中一个例子对CNN旨在优化和增强处理空间关系与更多的效率。同样,PointNet + +是另一个开创性的项目,旨在应用毫升点云(高维对象的集合)。另一个这样的进步是GNN代表图神经网络。这直接对图像进行操作功能和发现广泛使用在许多physics-related应用程序,包括高能源(63年]。
使用ANN模型组织和Ti-6Al-4V合金性能之间的关系被证明是非常有效的预测和实验值之间的绝对误差百分比小于或等于5.0%,这是一个可以接受的范围。此外,开发了ANN模型可以预测未来Ti-6Al-4V合金的机械性能(64年]。
同样的,当医生的效率相比,神经网络,支持向量机,和GBT模型预测单包层几何,高斯过程(GP)模型的指标更成功,虽然略微,比神经网络(NN)回归和分类模型。支持向量机(svm)的表现相比,对GP模型。支持向量机,得到相比,方差和更好的分类精度。作为一个分类器,GBT模型优于其它模型。作为解释变量,GBT显示最低的方差(66年]。
在另一个研究中,CNN和安成功预测Ti-6Al-4V拉伸性能,在CNN在热图像数据,用于特征提取和安走近来确定参数的影响。84%的数据偏差躺在±5%完美的屈服强度预测,90%的数据偏差在±5.85%,和70%的数据偏差在±3.48%。平均偏差为2.4%,平均偏差为3.0%。计算最大误差是8.2%。最重要的是,这些数据代表了三个截然不同的热处理,从未做过。合金的平均击倒效果由于纹理计算3%使用造成结构方程作为基线(65年]。
二氧化碳激光micro-milling预测表面特征的玻璃纤维增强塑料复合,ANN模型与3-6-6-3网络结构是最有效的意思是,最大,和最小预测误差为0.82%,2.26%,和0.0004%,分别。铣削深度的实验和模型之间的差异值在±2%,和确定系数R20.999被发现。表面粗糙度的实验和模型值的区别又±2%,而的价值R2被发现是0.997和0.993的平行和垂直于纤维在铣削过程中,分别是(69年]。
在另一篇论文,开发出相应的ANN模型,研究晶粒生长行为,3.45和6.42的MSE模型训练和测试数据,分别。之间的平均距离预测晶粒间的角度和他们的实验结果是1.83和2.43,标准差为0.32和0.73,分别进行训练和测试。这个模型被发现的容差范围约±4。平均2.43表明,前馈神经网络预测误差是这项任务的一个合适的工具(70年]。
结合3 d打印机时,艾未未的合成系统有助于航空航天制造商更准确和精确的产品套件拆、更灵活、成本更低,产生更少的浪费71年]。
在这个本体,作者提出了一个混合的方式来解决当前问题的DSS激光。研究人员结合类比的知识工程方法和基于案例的搜索。这包括持续更新改进的专家知识库的过程。后来这项工作实施,和金属制品的过程是使用激光技术上创建IACPaaS云平台。这项工作在各种工作,迄今已经使用的组件知识门户进一步改善,帮助创建新组件,改善当前的(72年]。
表10提供了一个详尽的对比各种网络模型用于d过程到目前为止,和他们的准确性,数据集,以及各种其他参数已经解决,积累工业意义。
6。摘要和结论
基于上述结果,我们可以得出结论,人工智能已经有利于简化各种流程的d。的产品使用d技术和监控AI-trained系统已成为卓越的品质。产品优越,也有更少的失败率以及更少的浪费。合适的模型和适量的训练数据集,系统提供准确、可靠的预测可以做好准备,这有助于使d制造技术。在这个文献综述中,我们已经看到cnn使用高,人工神经网络,RNNs基于使用的类型。这些网络模型显示显著改善结果的结果相比,d没有人工智能技术。RNN d建筑擅长预测热历史的过程。CNN架构擅长应用,如语音识别、图像处理、故障诊断,并从高维信号特征提取。可以使用在d, CNN作为模式识别工具,最终在过程监控中。安架构,另一方面也是一个非线性的机器学习模型,该模型可以有效地预测跟踪稀释值d过程中使用不同的设置参数。 In our reviews, CNN showed accuracy in prediction as high as 96% and as low as 80%, while ANN also showed great fit with theR2值的97%。RNN是高度有效的预测,前面的输出值影响当前输出和显示MSE低至2.97e−5。一些算法,比如安发展预测模型时更有用,但是很少有其他人,像GBT,更有效当我们需要几何预测。GBT(梯度提高决策树)是一种技术在ML,有效地解决了回归和分类问题的数据以表格形式。预测模型是由一群弱小的预测模型,每个模型优化使用损失函数,称为梯度下降法。神经网络和GBT这种优化共同点。同样,支持向量机和高斯过程有一个共性,它们都可以称为内核的方法。在这些过程中,产生一个内核中所有的数据,最好可以描述所有其他数据。SVM和GP可不利,因为他们不提供直接概率估计。各种参数,如MSE,准确性、变异和标准偏差,依据比较这些算法的效率。我们已经试图最效率确定参数的人工智能技术用于d的过程。 If studied further, we can explore many more techniques that are more efficient than those explained previously. These AI techniques can be used to achieve similar goals in areas other than DED. We can study more about AI and its contributions to mechanical engineering and improve already known techniques, as there is always room for improvement.
定向能量沉积(d)过程及其关键参数彻底讨论通过回顾近年来各种研究或期刊论文发表。首先,任何d系统的基本结构被描述为一个已标示图显示所有的组件。已经讨论过,有两种类型的提要材料d过程,即状和wire-based,彻底在以下各小节进行讨论。有三种类型的热源,即电子束、激光和等离子体或弧。整个过程的简要描述了作为一个流程图可以帮助读者更好地理解过程的概述。d体系的类型的环境也进行了流程图显示所有类型的屏蔽气体或真空创造环境。根据流程图,有两个屏蔽mediums-local屏蔽和惰性气体室。利弊的屏蔽材料表中列出。一个真空室,即使重又贵,创造最好的环境的过程。在媒介由惰性气体,惰性气体室给最好的结果,因为它提供了一个更好的环境相比,当地的屏蔽。 Next, the DED process is compared with similar additive manufacturing processes based on their basic description, related technologies, and materials. Then, the major pros and cons of using the DED process are elaborately discussed. One of the main advantages of using this process is that it can be used for varied materials such as metals, polymers, and ceramics, and one major disadvantage is that the products made by this process have a relatively poorer surface finish than other additive manufacturing methods. There are three types of applications of the DED process in any industry. DED is used for the addition of features in pre-existing parts. It increases the value of the product and reduces machining times. This process is used in the repair of pre-existing components in many industries. In component repair, it reduces lead time and extends the life of the part. Also, the DED process is used to fabricate near net shapes where the material wastage is reduced while fabricating complex shapes.
接下来,类型的能源sources-an电子束(EBAM),一束激光(ld)和弧(广告)——彻底的讨论。EBAM过程完成4千瓦的功率范围在一个真空室。这个过程主要是用于生产净形状零件和大部分地区附近。虽然EBAM是用于生产大部分地区,具有较高分辨率的ld过程产生更小的部分。粉是主要的饲料原料的ld的过程。许多类型的饲料的材料可用于d过程进行了讨论。讨论的类型是纯粹的金属、金属合金、聚合物、陶瓷。在纯金属,铜和钨是两个最常用的金属由于以下属性。铜是主要用作饲料原料的ld的过程。而铜用于航空和海洋产业,钨用于航空航天、空间、和核行业,如木材和金属切削、钻孔、加工,由于其优良的耐腐蚀、低蒸汽压、高导热性、高熔点、密度更高。 Tungsten finds its uses as feed material in AM processes like powder bed fusion, plasma laser sintering, and LDED. The most used materials as the feed in any DED process are metal alloys. Some of the key metal alloys on which much research has been done are discussed in detail in this paper. Hastelloy-X is a nickel-chromium iron-molybdenum alloy that shows high mechanical strength, high yield strength, high ductility, and high corrosion resistance. Therefore, it is used to fabricate gas turbine engines, heat exchangers, etc. Moreover, it is used as feed material in the LAM-DED process. Inconel 718 is a nickel-based superalloy used to create jet engines, gas turbines, etc., as it has high tensile and impact strength and good resistance to corrosion and oxidation. It is mostly used as feed material in the LAM-DED process. Titanium-molybdenum (Ti-15Mo) shows excellent corrosion resistance, high hardness, and fatigue. Hence, this material is used as bioimplants and in aerospace industries. The EBAM-DED process uses this material as feed. Similarly, other titanium alloys are also used in similar military, aircraft, and aerospace industries due to their high tensile strength and toughness.
不锈钢是一种使用的最高标准合金几乎无处不在。它有高电阻对腐蚀,甚至显示高强度在高温下。它主要用作饲料EBAM-DED过程中材料。锆合金,如锆合金用于创建在核工业、水反应堆,等等,由于其高延性、硬度和耐蚀性。一些铝合金,比如4043铝合金,显示良好的耐蚀性和用于焊接和钎焊金属。d过程不仅适用于金属和金属合金,而且聚合物和陶瓷。一些最常用的聚合物d过程进行了较为详细的试验研究。其中一个材料是聚甲基丙烯酸甲酯(PMMA)。防碎的,严格的,紫外线和恶劣的抗风化的,高度耐划痕。这些属性被用于生物医学行业,汽车和交通行业、家具行业。
选择性激光烧结(SLS)和d过程使用这种材料作为饲料的材料。聚醚醚酮(PEEK)是一种聚合物与高热量和电阻耐高温。因此,用于医疗行业、飞机和汽车行业。即使它可以用作饲料材料d的过程,它主要是利用熔融沉积方法(FDM)过程。另一个重要的聚合物是丙烯腈丁二烯苯乙烯(ABS)。用于汽车行业,管道和配件,和结构的应用由于其高冲击强度和耐热性,高应变电阻,随着时间的推移和稳定性。聚丙烯(PP)具有良好的屏障性能、低成本、低水气传输、特殊光学清晰度、和高细菌和热阻和用于包装行业,汽车行业,医疗行业。SLS工艺使用这种材料作为饲料制造组件在这些行业。
此外,最后,聚乳酸(PLA)是一种biobased,生物可降解的、生物相容性、可降解的,无毒包装行业中使用的聚合物,卫生和医疗行业,许多结构的应用程序。的一些陶瓷也用作饲料原料在d的过程。就是这样一个陶瓷氧化铝高电气绝缘和抗腐蚀。因此,它是用于汽车传感器,牙科植入物,和电子产品。它主要用作饲料LAM-DED过程中材料。另一个陶瓷,广泛用于d过程是氧化锆。它具有高韧性、高强度和耐腐蚀性能,是用于生产牙冠,绝缘体,辊,活塞,等等。另一个陶瓷广泛应用于d过程铝酸镁尖晶石用于防弹玻璃、航空航天和国防工业。它主要用作饲料LAM-DED过程中材料。
然后,各种各样的作品由许多研究人员深入研究,他们的研究结果本文起草。虽然许多研究人员讨论了激光功率和扫描速度的热影响焊缝池,一些专注于三目的应用系统,该系统可以测量的高度在d的过程。的一个主要结果在这些论文是计量强制对流模型可以产生微薄的错误率。该模型可以用于任何关注热特性的研究工作。CFD分析也可以添加和高扫描速度和较低的激光功率总是比实现更精细的微观结构,同时使用不锈钢和铬镍铁合金。是建立三目视觉系统总是比双目视觉系统,给出了最小的努力和有益的和准确的方法估算d的包层高度互动。同时,许多论文试图找到的材料类型d过程中可以用作饲料。许多研究人员尝试和仍在试图制造没有缺陷的组件不同的金属和金属合金通过d过程。金属合金如AlSi10Mg被证明是非常合适的饲料原料在LAM-DED过程显示硬度值高于AlSi10Mg部分由其他的制造方法。许多研究都倾向于寻找最后的属性部分d创建的过程。 This includes finding out the final hardness values and corrosive properties in which it was found that stainless steel that are fabricated from DED processes. They have less corrosion resistance than parts manufactured through traditional methods and their thermo-mechanical properties and other various other properties may vary. It is also seen that slicing is a critical but less used process in additive manufacturing processes such as DED.
切片可以非常有用的提高质量和消除支持结构。切片过程的类型,即添加剂切片,切片,non-layer-wise切片,和multi-direction切片,详尽讨论了的帮助下一个表和关于他们的特性,优点,缺点。同时,三种类型的激光广泛应用于d流程。IPG光学器材公司激光器、掺钕钇铝石榴石激光(Nd: YG),最后C02-type激光脉冲波。这些是描绘成一个流程图中讨论的一部分。有四个主要应用d中屏蔽气体的过程。氩、氦、氩氦混合物和氮。这些也被描绘成流程图中讨论的一部分。最后,为了提高组件的质量,建筑喂养率等参数,扫描饲料,和激光功率是至关重要的因素41,95年- - - - - -98年]。
在研究和分析许多研究工作,一组工艺参数,可以用于一个特定的过程是起草和工艺参数一节中详细讨论。首先讨论工艺参数是使用认证或可靠的d系统总是比廉价或家庭d系统。这是因为廉价d系统可以有一个波动的激光功率或粉交付率,而可靠的d系统可以提供恒定的利率。此外,从研究论文给出相关的例子来证明。第二个进程参数告诉加热后的治疗过程是必不可少的提高材料的机械性能,如硬度、抗拉强度和冲击强度。负面影响张力和内应力等还可以使用加热后被删除处理过程。这是两种类型的工具钢证明——H13和D2最近的研究工作中,也提到在工艺参数部分[99 -104年]。
第三个参数是在d饲料的选择材料的过程。有两种类型的提要material-wire和粉末。两线和粉末饲料的优点和缺点进行了讨论,并看到状饲料是最佳适合ld的过程,和wire-based饲料时使用的材料损耗是不被鼓励。他们还讨论了在长度之间的区别。以下工艺参数对熔敷层的层厚度在d的过程。据说取决于组件的几何形状和结构层的厚度。降低厚度,增加熔池体积产生组件与更好的粗糙度。第五个过程参数对激光功率和它如何影响组件的几何形状。更高的激光权力(800 W +)意味着增加稀释和穿透深度,从而降低整个组件的高度。同时,低功率(100 - 400 W)导致熔体快速凝固的池,增加存款密度。 Scale formations can be seen in such deposits. Finally, it was found that crucial output parameters such as clad thickness, dilution, temperature, and thermal stresses will increase with the increase of the laser power. Of these parameters, dilution and temperature become constant because they reach a point called the saturation level. The following process parameter is about the powder flow rate of DED processes. Monitoring the powder flow rate is essential to improve the reliability of components in industries. Many different types of methods are mentioned which can efficiently measure the powder flow rate. Maintaining constant flow rates at all times is very important to regulate dilution and porosity. Even distribution of powder feed is also essential [19- - - - - -23,105年- - - - - -107年]。
最后一个参数在本文讨论讨论d过程中激光的扫描速度。低扫描速度明显导致相当大的建造的大型熔池高度和微薄的稀释率、扫描速度增加而导致低熔点或缺乏融合(108年- - - - - -113年]。所以,不会产生熔池。随着扫描速度的增加,包层高度、温度、压力、和包层高度降低。然而,使用高或低扫描速度可以使用介质中和扫描速度(400 - 500毫米/秒)。通过使用介质扫描速度,示例展示了优秀的综合平衡的韧性和强度。同时,人工智能(AI)的角色是一个添加风味定向能量沉积过程和范围,是很有前途的不久。最近进展的迹象,人工智能技术,可以用在任何应用程序与d过程不例外,以减少人类的努力(114年- - - - - -116年]。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。