XiaoMi-AI文件搜索系统
World File Search System熔池
硕士论文提案（AM 中的 AI）- UAB KaU 2020
背景和目标 激光粉末床熔合 (LPBF) 被广泛认为是金属合金增材制造 (AM) 领域最有前途的制造工艺之一。AM 提供的设计自由度和复杂性是独一无二的，并且非常有益，尤其是对于工具应用而言。由于创新的 AM 设计解决方案，现在可以大大缩短工艺周期并提高零件质量。尽管有上述好处，但在大型复杂的制造任务中，LPBF 工艺容易出现缺陷和工艺稳定性相关问题。此类故障一旦发生，会严重影响所生产材料的质量和工艺的整体前景。因此，利用可监控工艺及其偏差的手段非常重要。如今，提供 LPBF 工艺现场监测功能的系统已在商业上存在，尽管其在后处理能力和数据评估方面的成熟度仍然有限。本研究的目的是研究并可能开发一个基于机器学习 (ML) 算法的框架，该框架可以对为 LPBF 工艺开发的现场监测系统生成的原始数据进行后处理。感兴趣的监测系统主要是光学断层扫描 (OT) 和熔池 (MP) 分析。这项工作的重点是识别和实施基于图像分析的学习模型，该模型可以关联来自监测系统的输入，以便记录和聚类潜在的材料和工艺异常。
激光原位光学监测进展与展望……
激光焊接技术具有高精度、高灵活性和深度穿透等优越性能，引起了学术界和工业界的广泛关注。迄今为止，缺乏可重复性和稳定性仍被视为阻碍其更广泛应用的关键技术障碍，尤其是对于要求苛刻的高价值产品。克服这一艰巨挑战的一个重要方法是结合人工智能 (AI) 技术的现场监测，这已得到大量研究的探索。监测的主要目的是收集有关该过程的基本信息并提高对发生的复杂焊接现象的理解。本综述首先描述了动态 LBW 过程中的现场光学传感、行为表征和过程建模方面的正在进行的工作。然后，重点关注了光辐射技术，例如多光谱光电二极管、光谱仪、高温计和高速摄像机，用于观察激光物理现象，包括熔池、小孔和蒸汽羽流。特别是，讨论了先进的图像/信号处理技术和机器学习模型，以确定工艺参数、工艺特征和产品质量之间的相关性。最后，讨论了主要挑战和潜在解决方案，以深入了解金属基 LBW 工艺的工艺监控领域仍需实现的目标。这篇全面的评论旨在为那些寻求引入智能焊接功能以改善和控制焊接质量的人提供最新技术的参考。
使用 STS316L 的 L-DED 增材制造工艺中，机械性能和微观结构随粉末进料密度的变化
摘要：激光定向能量沉积 (L-DED) 是一种值得注意的增材制造方法，其中金属粉末通过喷嘴喷涂，然后使用激光逐层压实。与其他增材制造工艺不同，DED 对制造部件尺寸的限制较少，这使其有利于生产大型部件。然而，在增材制造中使用 DED 需要仔细优化各种工艺参数，包括激光功率、送粉速率、喷嘴扫描速度和沉积路径，因为这些参数会显著影响制造部件的几何形状和性能。最近的研究已经广泛调查了在不同能量密度下通过 DED 制造的部件的微观结构和性能，但对与送粉相关的变量的研究仍然缺乏。在本研究中，以粉末线密度 (PLD) 为参数，观察到在使用 STS316L 进行 DED 增材制造时，焊珠几何形状、微观结构和力学性能的变化以及送粉密度的变化。通过粉末进料速率和扫描速度控制，利用粉末线密度对 STS316L 合金粉末进行 1 线沉积，从而能够在沉积过程中观察焊珠的几何形状和熔池形状。此外，通过控制粉末线密度的 DED 制造方形样品，以观察由此产生的微观结构和机械性能。观察到，即使在相同的能量密度下，样品也会根据粉末线密度表现出不同的晶粒形貌、微观结构和机械性能，各向异性的变化尤其显著。这凸显了粉末进料密度作为与能量密度一起优化 DED 增材制造工艺的关键变量的重要性。本研究的结果有望通过调节粉末进料密度来帮助控制金属增材制造工艺中制造部件的各向异性和强度。
ASTM F3413-19e1
定向能量沉积 (DED) 描述了一类增材制造 (AM) 工艺，其中聚焦热能用于在沉积材料时熔化材料，这在指南 F3187 中有详细描述，并提供了除既定工艺之外的额外制造选项。DED 有可能减少制造时间和成本，并提高零件功能性。通常，DED 用于处理金属原料以执行以下任务之一：制造净形状和近净形状零件、在常规加工的零件上制造特征、进行表面改性（包覆）以防止磨损和腐蚀，或通过向破损或磨损的零件添加金属来修复金属零件。DED 工艺根据几个维度而有所不同，包括原料类型（线材或粉末）、能量源（激光、电子束、电弧、等离子）、能量源数量和机器架构。一些实施方案包括减材工艺，以将零件和特征加工成最终尺寸。一些实施方案利用一个或多个实时传感器来监控各种性能指标，例如熔池温度或尺寸。从业者了解传统的、长期存在的制造工艺（例如切割、连接和成型工艺，例如通过机械加工、焊接或铸造）的优势和劣势，并在设计阶段和选择制造工艺时给予适当的考虑。就 DED 和 AM 而言，设计和制造工程师的经验通常有限。没有与传统工艺相关的限制，DED 的使用为设计师和制造商提供了高度的自由度，这需要了解该工艺的可能性和局限性。本设计指南通过提供有关 DED 零件和特征的典型特征的信息、对这些特征基于工艺的原因的见解以及对工艺能力和局限性的理解，为不同的 DED 技术提供指导。这些信息和理解应该为设计师提供指导，他们可以利用这些指导来利用 DED 功能、绕过限制进行设计并避免工艺缺点。本文件扩展了 ISO/ASTM 52910（通用设计指南），并补充了金属和聚合物材料的粉末床熔合设计指南（ISO/ASTM 52911-1 和 -2），以及正在开发的其他工艺特定设计指南。此外，它专门针对 F3187 指南中的通用 DED 描述并以此为基础。
增材制造指南 — 设计 — 定向能量沉积 1
定向能量沉积 (DED) 描述了一类增材制造 (AM) 工艺，其中聚焦热能用于在沉积材料时熔化材料，这在指南 F3187 中有详细描述，并提供了除既定工艺之外的额外制造选项。DED 有可能减少制造时间和成本，并提高零件功能性。通常，DED 用于处理金属原料以执行以下任务之一：制造净形状和近净形状零件、在常规加工的零件上制造特征、进行表面改性（包覆）以防止磨损和腐蚀，或通过向破损或磨损的零件添加金属来修复金属零件。DED 工艺根据几个维度而有所不同，包括原料类型（线材或粉末）、能量源（激光、电子束、电弧、等离子）、能量源数量和机器架构。一些实施方案包括减材工艺，以将零件和特征加工成最终尺寸。一些实施方案利用一个或多个实时传感器来监控各种性能指标，例如熔池温度或尺寸。从业者了解传统的、长期存在的制造工艺（例如切割、连接和成型工艺，例如通过机械加工、焊接或铸造）的优势和劣势，并在设计阶段和选择制造工艺时给予适当的考虑。就 DED 和 AM 而言，设计和制造工程师的经验通常有限。没有与传统工艺相关的限制，DED 的使用为设计师和制造商提供了高度的自由度，这需要了解该工艺的可能性和局限性。本设计指南通过提供有关 DED 零件和特征的典型特征的信息、对这些特征基于工艺的原因的见解以及对工艺能力和局限性的理解，为不同的 DED 技术提供指导。这些信息和理解应该为设计师提供指导，他们可以利用这些指导来利用 DED 功能、绕过限制进行设计并避免工艺缺点。本文件扩展了 ISO/ASTM 52910（通用设计指南），并补充了金属和聚合物材料的粉末床熔合设计指南（ISO/ASTM 52911-1 和 -2），以及正在开发的其他工艺特定设计指南。此外，它专门针对 F3187 指南中的通用 DED 描述并以此为基础。
机器学习预测增材制造部件的机械行为
航空航天 [ 1 ]、汽车 [ 2 ]、电子 [ 3 ]、医药 [ 4 ]、建筑 [ 5 ] 和医疗保健监测 [ 6 ]。根据美国材料试验协会 (ASTM) 的定义，AM 分为七种工艺：粘合剂喷射、板材层压、直接能量沉积、材料挤出、粉末床熔合、材料喷射和大桶光聚合[ 7 ]。基于 AM 的应用，该领域已对不同工程方面进行了研究。例如，最近的研究工作研究了可持续性 [ 8 ]、机械强度 [ 9 ]、环境影响 [ 10 ] 和不同的焊接应用 [ 11 ]。由于 AM 加工参数（例如粉末大小、打印速度、层厚度、激光功率和光栅方向）对 3D 打印部件的结构完整性和机械性能具有至关重要的影响，因此已经使用不同的方法来优化这些参数并预测打印部件的机械行为 [12 e 17]。例如，最近在 [16] 中，基于一系列拉伸试验确定了 3D 打印聚合物复合材料的强度和刚度。此外，还记录了纤维取向对所检查部件机械性能的影响。在 [17] 中，从微观和宏观层面研究了工艺条件对 3D 打印复合材料制造的影响。在此背景下，基于材料挤出技术打印了短碳纤维增强聚合物复合材料。基于图像的统计分析用于微观结构表征（例如纤维体积分数）。此外，还使用蒙特卡洛采样方法来丰富数据集。结果表明，工艺参数对孔隙产生和孔隙体积分数分布起着至关重要的作用。文献调查显示，与实验实践并行，数值模型和不同的人工智能 (AI) 方法也已用于研究 3D 打印部件的性能特征 [18 e 21]。例如，在 [22] 中，采用 3D 有限元模型来确定工艺参数对陶瓷材料 3D 打印中熔池轮廓和焊珠形状的影响。同时，提出了一种基于物理的分析模型来评估增材制造金属零件中的残余应力 [23]。为此，使用温度分布预测来评估该过程的热特征。据报道，热应力用作计算残余应力的输入。这些先前的研究表明，进行的模拟仅集中在 AM 过程的一个或两个方面。由于快速准确地预测所有机械性能和某些制造方法的整个过程是不切实际的，因此人们使用了数据驱动模型，其统一称为机器学习 (ML) [ 24 和 28 ]。机器学习是一门跨学科的学科，是人工智能的一个分支，它通过算法学习促进了低成本计算[29]。在机器学习方法中，不需要一长串基于物理的方程，而是使用以前的数据。基于机器学习方法的优势，它们已在增材制造领域用于不同目的[30e39]。例如，在[30]中，提出了一种混合机器学习算法来推荐3D打印部件的设计特征。通过3D打印汽车部件的设计检验了所提出的方法。经验不足的设计师可以在设计阶段使用所述方法。基于建议的增材制造设计特征，机器学习算法的功能