Integrating Multi-Physics Simulations and Machine Learning to Define the Spatter Mechanism and Process Window in Laser Powder Bed Fusion

要約

レーザー粉末床融合（LPBF）は、自由形状の形状を作製し、制御された微細構造を生成できるため、幅広い用途に有望であることが示されています。
ただし、LPBF によって生成されたコンポーネントは、レーザーと材料の相互作用中に生成される欠陥のため、依然として最適とは言えない機械的特性を持っています。
この研究では、LPBF のマルチフィジックス現象をシミュレートするために構築された高忠実度モデリング ツールを使用して、スパッタ形成のメカニズムを調査します。
モデリング ツールには、メルトプールの 3D 解像度とスパッタの挙動をキャプチャする機能があります。
スパッタの挙動と形成を理解するために、放出時のスパッタの特性を明らかにし、スパッタの形成源であるメルトプールからの変動を評価します。
収集されたスパッタとメルトプールのデータセットは、50 % のスパッタ サンプルと 50 % のメルト プール サンプルで構成され、位置成分、速度成分、速度の大きさ、温度、密度、圧力を含む特徴を備えています。
スパッタとメルトプールの関係は、分類タスクの相関分析と機械学習 (ML) アルゴリズムによって評価されました。
データセットでさまざまな ML アルゴリズムをスクリーニングしたところ、すべての ML モデルで高い精度が観察され、ExtraTrees が 96 % で最高、KNN が 94 % で最低でした。

要約(オリジナル)

Laser powder bed fusion (LPBF) has shown promise for wide range of applications due to its ability to fabricate freeform geometries and generate a controlled microstructure. However, components generated by LPBF still possess sub-optimal mechanical properties due to the defects that are created during laser-material interactions. In this work, we investigate mechanism of spatter formation, using a high-fidelity modelling tool that was built to simulate the multi-physics phenomena in LPBF. The modelling tool have the capability to capture the 3D resolution of the meltpool and the spatter behavior. To understand spatter behavior and formation, we reveal its properties at ejection and evaluate its variation from the meltpool, the source where it is formed. The dataset of the spatter and the meltpool collected consist of 50 % spatter and 50 % melt pool samples, with features that include position components, velocity components, velocity magnitude, temperature, density and pressure. The relationship between the spatter and the meltpool were evaluated via correlation analysis and machine learning (ML) algorithms for classification tasks. Upon screening different ML algorithms on the dataset, a high accuracy was observed for all the ML models, with ExtraTrees having the highest at 96 % and KNN having the lowest at 94 %.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google