机构名称：
¥ 1.0
激光定向能量沉积 (DED) 在增材制造 (AM) 中具有显著优势，可用于生产复杂的几何形状并促进材料功能分级。然而，材料属性不一致和零件多变等固有挑战仍然存在，这主要是由于其分层制造方法。对这些挑战至关重要的是 DED 过程中的热量积累，这会影响最终材料的微观结构和性能。尽管用于管理热量积累和温度调节的闭环控制方法在 DED 文献中很普遍，但很少有方法将实时监控、基于物理的建模和控制同时集成在一个有凝聚力的框架中。为了解决这个问题，我们提出了一个数字孪生 (DT) 框架，用于实时模型预测控制 DED 的工艺参数，以实现特定的工艺设计目标。为了实现该目标，我们详细介绍了利用基于长短期记忆 (LSTM) 的机器学习的替代模型的开发，该模型使用贝叶斯推理来预测 DED 构建部件各个空间位置的温度。该模型提供未来温度状态的实时预测。此外，我们引入了用于时间序列过程优化 (BOTSPO) 的贝叶斯优化 (BO) 方法。它的基本原理与传统 BO 一致，其新颖之处在于我们独特的时间序列过程配置文件生成器，具有降低维度的表示。BOTSPO 用于动态过程优化，我们在其中部署 BOTSPO 来确定最佳激光功率配置文件，旨在实现 DED 构建中的所需机械性能。识别的配置文件建立了一个过程轨迹，在线过程优化旨在匹配或超越该轨迹的性能。本文阐述了数字孪生框架的组成部分，主张将其整合为 AM 的综合数字孪生系统。
迈向增材制造中的数字孪生框架
主要关键词
相关文件推荐
