Discovery of Spatter Constitutive Models in Additive Manufacturing Using Machine Learning

要約

アディティブ・マニュファクチャリング（AM）は急速に発展している技術であり、複雑な形状を製造できることから、幅広い分野で応用されている。しかし、AMにおける重要な課題の1つは、一貫した印刷品質を達成することである。この一貫性のなさは、しばしば制御されていないメルトプールダイナミクスに起因しており、一部は欠陥の原因となるスパッタに起因している。したがって、プロセスの安定性と部品の品質を向上させるためには、メルトプールの進化を把握し制御することが極めて重要である。本研究では、機械学習（ML）と多項式記号回帰モデルを用いて、品質管理を容易にし、欠陥を最小限に抑えることができる、効率的なAMプロセス操作に向けた意思決定を支援するフレームワークを開発した。特に、大規模なデータセットを収集するための費用対効果の高いアプローチとして、レーザー粉末床融合（LPBF）プロセス用に、実験的に検証された計算ツールを実装した。281種類のプロセス条件からなるデータセットについて、溶融池の寸法（長さ、幅、深さ）、溶融池の形状（面積、体積）、スパッタとして示される体積などのパラメータを抽出した。機械学習（ML）と多項式記号回帰モデルを使用し、プロセス条件（出力と速度）または溶融池寸法をモデル入力として、訓練データセットとテストデータセットの両方で溶融池寸法と形状の特徴を予測する際に95%以上の高いR2を達成した。スパッタとして示される体積の場合、R2の値は、プロセス条件またはメルトプール寸法のいずれかをモデル入力として対数変換した後に改善された。調査したMLモデルの中で、ExtraTreeモデルは96.7 %と87.5 %という最高のR2値を達成した。

要約(オリジナル)

Additive manufacturing (AM) is a rapidly evolving technology that has attracted applications across a wide range of fields due to its ability to fabricate complex geometries. However, one of the key challenges in AM is achieving consistent print quality. This inconsistency is often attributed to uncontrolled melt pool dynamics, partly caused by spatter which can lead to defects. Therefore, capturing and controlling the evolution of the melt pool is crucial for enhancing process stability and part quality. In this study, we developed a framework to support decision-making towards efficient AM process operations, capable of facilitating quality control and minimizing defects via machine learning (ML) and polynomial symbolic regression models. We implemented experimentally validated computational tools, specifically for laser powder bed fusion (LPBF) processes as a cost-effective approach to collect large datasets. For a dataset consisting of 281 varying process conditions, parameters such as melt pool dimensions (length, width, depth), melt pool geometry (area, volume), and volume indicated as spatter were extracted. Using machine learning (ML) and polynomial symbolic regression models, a high R2 of over 95 % was achieved in predicting the melt pool dimensions and geometry features on both the training and testing datasets, with either process conditions (power and velocity) or melt pool dimensions as the model inputs. In the case of volume indicated as spatter the value of the R2 improved after logarithmic transforming the model inputs, which were either the process conditions or the melt pool dimensions. Among the investigated ML models, the ExtraTree model achieved the highest R2 values of 96.7 % and 87.5 %.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL