XiaoMi-AI文件搜索系统
World File Search SystemIN718
通过物理信息机器学习和 Shapley 加法解释预测定向能量沉积中的拉伸强度
在定向能量沉积 (DED) 中，局部材料微观结构和抗拉强度由零件上每个空间位置经历的热历史决定。虽然先前的研究已经调查了热历史对机械性能的影响，但仍然需要一种物理上可解释、简约且具有良好预测精度的抗拉强度预测模型。本文研究了一种基于 Shapley 加性解释 (SHAP) 模型解释的数据驱动预测模型来解决这一问题。首先，将从先前的实验工作中翻译出来的物理上有意义的热特征用作神经网络的输入，以进行抗拉性能预测。然后计算各个输入特征的 SHAP 值，以量化它们各自对抗拉性能预测的影响，并使用累积相对方差 (CRV) 度量降低模型复杂性。对实验获得的 Inconel 718 (IN718) 抗拉强度的预测表明，通过开发的方法量化的特征影响可以通过先前研究的结果来验证，从而证实了神经网络预测逻辑的物理可解释性。此外，基于CRV的模型复杂度降低表明，简约模型只需要不到10%的原始特征即可达到与先前文献报道相同的拉伸强度预测精度，从而证明了基于SHAP的特征降低方法在改进DED过程表征方面的有效性。
神经网络的方差稳定优化
摘要 — 提出了一种基于测量变化特性和稳定性的神经网络训练新框架。该框架具有许多有用的属性，可以最大限度地利用数据，并以原则性的方式帮助解释结果。这是通过方差稳定和随后的标准化步骤实现的。该方法是一种通用方法，可用于任何有重复性数据的情况。以这种方式进行标准化可以量化拟合优度，并从统计角度解释测量数据。我们展示了该框架在先进制造数据分析中的实用性。索引词 — 方差稳定、神经网络、多层感知器、简化卡方、自由度卡方、金属增材制造在本文中，采用神经网络作为广义回归量，研究金属增材制造 (AM) 工艺参数与 IN718 超级合金的熔池几何特性之间的关系。本文以用例的形式介绍了增材制造数据的分析，但框架本身是通用的，可用于任何有可重复性数据的方法。增材制造是一种逐层构建组件的 3D 打印工艺；熔池是熔融原料和基材的体积。了解材料与熔池之间的潜在物理原理和关系是工艺优化的关键，然而现场测量的机会有限，因此缺乏对基本工艺的理解。使用神经网络分析先进制造工艺数据特别困难，因为收集高质量数据成本高、流程复杂且需要精心规划。这通常会导致数据集样本数量较少 [1]、[2]，需要系统的方法来帮助进行可靠的解释。
方差稳定神经网络的优化
摘要 - 为训练神经网络提供了一个新框架，该框架基于测量变化的表征和稳定。该框架产生了许多有用的属性，可最大程度地利用数据的使用以及以原则上的方式解释结果的解释。这是通过方差稳定和随后的标准化步骤来实现的。该方法是一种通用方法，可以在可重复性数据可用的任何情况下使用。以这种方式进行标准化允许从统计的角度来解释拟合的良好和测量数据。我们在分析高级制造数据中证明了该框架的实用性。索引术语 - 变化稳定，神经网络，多层感知器，降低的卡 - 清点，CHI-Square每度自由度，这项工作中的金属添加剂制造作为一种普遍的回归，用于研究金属添加性制造（AM）过程参数和所致的融合属性属性的金属添加性生产（AM）的关系。在这里将对添加剂数据的分析作为用例表示，但是框架本身是一般的，可以在可重复性数据可用的任何方法中使用。添加剂制造是一个3D打印过程，它以逐层方法构建组件； Meltpool是熔融原料和底物材料的体积。这通常会导致数据集的样本数量少[1]，[2]，这些数据集需要一种系统的方法学方法来帮助鲁棒解释。了解材料和熔体之间的基本物理和关系是过程优化的关键，但是对原位测量的机会是有限的，因此缺乏基本的过程理解。使用神经网络在分析高级制造过程数据中提出了特定的困难，因为收集高质量的数据是充分的，复杂的，需要仔细的计划。
都灵理工学院 Inconel 718 的优化...
如今，增材制造 (AM) 技术被视为先进工艺，通过该技术可以逐层生产形状复杂的部件。值得注意的是，据报道，在这些技术中，在生产角度大于 45° 的部件时，不需要支撑。而当角度低于此角度时，需要有支撑来抵消重涂刀片的力并散热。事实上，在这些角度下，存在脱落导致部件故障的风险，并会增加下皮表面的严重熔渣形成（高粗糙度）。然而，通过优化一些参数，可以减小这个角度的值。因此，本论文的主题是找到 IN718 合金的优化下皮参数，以提高倾斜试件悬垂表面的质量。这项工作从对下皮参数的深入文献研究开始。我们发现，最关键的参数是悬垂角度、激光功率、激光速度、描边距离以及使用下皮参数处理的层数。基于所获得的知识，在 Prima Industrie SpA 使用 Print Sharp 250 机器对参数进行了优化。实验程序包括三个“实验设计”(DoE)，第一个实验进行了重复性测试。第一个 DoE 是通过对倾斜 30°、35° 和 40° 的样品进行 3 3 因子实验进行的，修改了激光功率、激光速度和描边距离。下皮表面的粗糙度分析被用作关键性能指标。结果，找到了下皮粗糙度低于 21 µm 的最佳八组参数（角度为 35° 和 40°）（文献中 Inconel 718 在 45° 时的值为 19 µm）。为了验证结果的准确性，我们通过使用相同的参数打印和分析一些样本进行了重复性测试。检测到的变异性始终低于 5%，证实了结果的一致性。第二个 DoE 旨在使用图像分析来评估孔隙率，其中样本被切割、抛光，然后使用光学显微镜进行分析。对于最佳参数组，样本的密度始终高于 99.2%。因此，预计下皮区域的机械特性不会发生变化。最后，进行了第三个 DoE 以