XiaoMi-AI文件搜索系统
World File Search System熔池
熔池凝固过程中柱状枝晶间生长竞争的快速模拟
本文提出了一种非常快速的数值方法来模拟熔池凝固产生的微观结构，包括柱状枝晶晶粒和从熔体中成核的等轴晶粒的生长竞争。为了减少计算时间，提出了一种升级策略，该策略不是单独考虑每个枝晶，而是根据物理信息确定枝晶生长速度来定义平均凝固前沿。所提出的方法还依赖于枝晶的优选生长方向和有利取向的晶粒标准来确定哪些晶粒在竞争中幸存下来。显著减少自由度总数的关键贡献之一是使用 Voronoi 镶嵌而不是规则网格进行数值实现。结果已与实验数据以及相场和细胞自动机模拟进行了比较。模拟的微观结构与使用细胞自动机获得的微观结构相似，而计算成本却大大降低。此外，还提供了三维模拟的收敛分析，其热条件对应于金属增材制造，以展示如何在实践中使用本研究。
利用熔池图像数据开发定向能量沉积工艺中基于一维卷积神经网络的高度轮廓预测模型
摘要 定向能量沉积 (DED) 工艺是一种代表性的金属增材制造技术，它使用柔性沉积头，主要用于航天和海洋工业的维修。DED 工艺节省时间和金钱，因为它只修复受损的零件和部件。因此，几何控制对于经济准确地填充目标受损区域的体积非常重要。然而，效率取决于激光功率、扫描速度等工艺参数。本研究提出了一种一维卷积神经网络 (1D-CNN) 模型，利用熔池图像数据预测 DED 部件的高度轮廓。首先，对总共 9 种情况进行了 DED 实验，考虑了激光功率和扫描速度作为参数。对收集到的熔池图像数据进行预处理，只提取与感兴趣区域相关的数据。最初，从熔池图像中提取了大小、形状、位置和亮度等共 15 个特征。然后，通过置换特征重要性评估方法选择 10 个关键特征，将其输入到 1D-CNN 算法中，以预测沉积层的高度轮廓。在测试阶段，平均绝对百分比误差（MAPE）为9.55％，验证了所提模型的适用性。
SS316L 定向能量沉积熔池中流体流动和传热的数值模拟
摘要。本文介绍了为模拟不锈钢 SS316L 定向能量沉积中形成的熔池中的流体流动和传热而开发的数值模型。该模型结合了重要的热量和动量源项。能量源项包括激光能量、相变潜热、对流热损失、辐射热损失、蒸发热损失以及由于熔融颗粒沉积到熔池中而增加的能量。动量源项是由表面张力效应、热毛细（Marangoni）效应、热浮力、相变引起的动量衰减、熔融颗粒动量以及由于蒸发引起的反冲效应引起的。模拟表明，熔池中预测的流动和传热会影响最终的形状和尺寸。在当前采用的工艺参数下，熔池细长、宽而浅，具有凹陷的自由表面和向外的对流。向外流动是由熔池中心的高温主导区域引起的，因此表面张力的温度梯度为负。
通过熔池监测进行焊珠几何形状预测的数据驱动方法
在增材制造领域，选择工艺参数以避免过度和不足沉积需要耗费时间和资源的反复试验。鉴于每个部件几何形状的独特特征，迫切需要推进实时过程监控和控制，以确保一致和可靠的部件尺寸精度。这项研究表明，支持向量回归 (SVR) 和卷积神经网络 (CNN) 模型为实时过程控制提供了一种有前途的解决方案，因为这些模型能够高精度地识别复杂的非线性模式。我们设计了一个新颖的实验来比较 SVR 和 CNN 模型的性能，以从单层单珠构造的熔池同轴图像间接检测珠高。研究表明，使用从同轴光学摄像机收集的熔池数据训练的 SVR 和 CNN 模型都可以准确预测珠高，平均绝对百分比误差分别为 3.67% 和 3.68%。 [DOI: 10.1115/1.4062800]
通过熔池监测进行珠子几何形状预测的数据驱动方法
1 简介 增材制造 (AM) 是指通过连接材料从 3D 模型制造零件的工艺 [1]。定向能量沉积 (DED) 是一种特殊类型的金属 AM 工艺，其中激光和金属粉末的交汇会在基材上形成熔融的金属池（熔池），然后冷却以形成固体金属轨道。此过程逐层重复以创建最终部件。与其他金属 AM 工艺相比，DED 以其制造大型工件、构建近净形状以及修复现有零件和铸件的能力而闻名 [2–4]。此外，DED 还用于开发高级材料，例如分级材料 [5]，这允许将金属粉末组合用于单个部件的不同位置。因此，AM 技术为制造业带来了重大创新。与传统的减材制造相比，AM 允许无与伦比的灵活设计，并通过仅在需要的地方沉积材料来减少材料浪费 [6]。尽管 DED 具有上述优势，但由于零件质量不可靠，需要改进过程监控和控制才能在整个行业范围内采用。具体而言，零件质量差是由于激光成型对操作和边界参数（包括激光功率）的微小变化高度敏感 [7]。基于反馈的方法有可能动态调整激光功率以减少过程波动，而无需参考特定的、先前测试过的几何形状和沉积历史。非接触式仪器已广泛用于类似应用，因为它们能够在远离沉积区域热量的安全距离处收集信息。由于激光温度高，高熔化温度、高功率激光反射和非层流很容易导致传感器损坏。当考虑成本和易于集成时，使用可见光摄像机进行光束同轴熔池监测仍然是一种方便且经济高效的解决方案，因为许多 DED 沉积头都配备了用于将监测摄像机纳入光学链的端口 [8]。因此，这项工作专注于一种视觉装置，该装置可以通过熔池的能量含量间接检测珠子高度的异常，从而可以预测和纠正与所需沉积结果的潜在偏差。此外，还创建了数据收集和标记管道，以减少数据准备时间。为了预测轨道几何形状的偏差，我们探索了机器学习 (ML) 算法的使用，特别是支持向量回归 (SVR) 和卷积神经网络 (CNN) 的回归。对创建的模型进行了评估，以确定其是否能够集成到边缘设备上，以实现机器的闭环或前馈控制。
直接能量沉积过程中熔池动态分析的数值模拟
图2为直接能量沉积过程中单通道单层熔覆层的外观图及相应时刻的熔池XZ截面和YZ截面图（红色虚线框内为XZ截面，黑色虚线框内为YZ截面）。从图2（a）可以看出，t=0.13时基体处于预热状态，这是为了保证粉末颗粒在熔池中初步完全熔化。由图可知，热源作用于基体时，基体受热比较均匀，热影响区具有很高的对称性，说明高斯热源在数值模型中具有良好的效果。随着金属粉末颗粒进入熔池，熔覆层逐渐形成，熔池最高温度可达3000K左右，如图2（b）所示。
金属定向能量沉积过程中熔池深度的实时估计与控制以减少孔隙率
1 缩写：AM：增材制造；MPD：熔池深度；DED：定向能量沉积；ANN：人工神经网络；VED：体积能量密度；PID：比例-积分-微分。
数字孪生增材制造：通过将热模拟与现场熔池传感器数据相结合来检测激光粉末床熔合中的缺陷
本研究的目的是现场检测使用激光粉末床熔合 (LPBF) 增材制造工艺制造的金属部件中的缺陷形成情况。这是一个重要的研究领域，因为尽管节省了大量成本和时间，但航空航天和生物医学等精密驱动型行业仍不愿使用 LPBF 制造安全关键部件，因为该工艺容易产生缺陷。LPBF 和增材制造中的另一个新兴问题与网络安全有关——恶意行为者可能会篡改工艺或在部件内部植入缺陷以损害其性能。因此，本研究的目标是开发和应用一种物理和数据集成策略，用于在线监控和检测 LPBF 部件中的缺陷形成情况。实现此目标的方法是基于将现场熔池温度测量（孪生）与基于图论的热模拟模型相结合，该模型可以快速预测部件中的温度分布（热历史）。该方法的创新之处在于，通过现场熔池温度测量逐层更新计算热模型提供的温度分布预测。这种数字孪生方法用于检测使用商用 LPBF 系统制造的不锈钢 (316L) 叶轮形部件中的缺陷形成。生产了四个这样的叶轮，模拟了 LPBF 部件中缺陷形成的三种途径，即：加工参数的变化（工艺漂移）；机器相关故障（镜片脱层）以及故意篡改工艺以在部件内部植入缺陷（网络入侵）。使用 X 射线计算的
定向能量沉积增材制造工艺中的熔池形貌
摘要。定向能量沉积增材制造 (DED-AM) 是目前正在探索的主要 AM 技术之一，用于修复航空航天工业中的高价值部件以及大型金属部件的自由成型制造。然而，由于缺乏对底层工艺-结构-性能关系的基本了解，阻碍了 DED-AM 用于生产或修复安全关键部件。本研究使用原位和操作同步加速器 X 射线成像来提供对激光-物质相互作用及其对熔池几何形状影响的更好基本理解。结合过程建模，这些独特的观察说明了工艺参数如何影响 DED-AM 熔池几何形状。校准后的模拟可用于指导工业增材制造工艺的微观结构和质量控制。