Modeling Melt Pool Features and Spatter Using Symbolic Regression and Machine Learning

要約

積層造形 (AM) は急速に進化しているテクノロジーであり、複雑な形状を製造できるため、幅広い分野での応用が注目されています。
ただし、AM における重要な課題の 1 つは、安定した印刷品質を達成することです。
この不一致は、多くの場合、制御されていない溶融プールのダイナミクスに起因し、部分的には欠陥につながる可能性のあるスパッタによって引き起こされます。
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には、溶融プールの発生を捕捉して制御することが重要です。
この研究では、AM 運用における意思決定をサポートし、機械学習 (ML) と多項式シンボリック回帰モデルを通じて品質管理を促進し、欠陥を最小限に抑えるフレームワークを開発しました。
私たちは、レーザー粉末床融合 (LPBF) プロセスから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、実験的に検証された計算ツールを実装しました。
281 のプロセス条件で構成されるデータセットについて、溶融プールの寸法 (長さ、幅、深さ)、溶融プールの形状 (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が抽出されました。
機械学習 (ML) と多項式シンボリック回帰モデルを使用して、プロセス条件 (出力と速度) または溶融プールのいずれかを使用して、トレーニング データセットとテスト データセットの両方の溶融プールの寸法と形状特徴を予測する際に 95 % を超える高い R2 を達成しました。
モデル入力としての寸法。
スパッタとして示される体積の場合、プロセス条件または溶融プールの寸法であるモデル入力を対数変換した後、R2 が改善されました。
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 値を達成しました。

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 in AM operations, facilitating quality control and minimizing defects via machine learning (ML) and polynomial symbolic regression models. We implemented experimentally validated computational tools as a cost-effective approach to collect large datasets from laser powder bed fusion (LPBF) processes. For a dataset consisting of 281 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 for 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, R2 improved after logarithmic transforming the model inputs, which was 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, Google