论文标题：Machine learning enabling prediction in mechanical performance of Ti6Al4V fabricated by large-scale laser powder bed fusion via a stacking model

期刊： Frontiers of Mechanical Engineering

作者：Changjun HAN, Fubao YAN, Daolin YUAN, Kai LI, Yongqiang YANG, Jiong ZHANG, Di WANG

发表时间：15 Aug 2024

DOI：10.1007/s11465-024-0796-0

微信链接：点击此处阅读微信文章

华南理工大学杨永强教授、王迪教授、韩昌骏副教授研究团队在《Frontiers of Mechanical Engineering》2024年19卷第4期发表了题为“Machine learning enabling prediction in mechanical performance of Ti6Al4V fabricated by large-scale laser powder bed fusion via a stacking model”的研究论文。研究提出了一种基于堆叠集成学习的数据驱动方法，预测大尺寸激光粉末床熔融（LPBF）技术成形的Ti6Al4V合金力学性能。

LPBF制造Ti6Al4V零件时，工艺参数多且相互影响，确定合适参数困难。机器学习技术可用于解决该问题，但单一模型难以捕捉复杂关系。堆叠模型能结合多个模型优势，提升性能，本研究将其应用于增材制造领域预测Ti6Al4V合金力学性能。

使用球形Ti6Al4V粉末，在特定LPBF设备上制备拉伸试样，设定激光功率、扫描速度和扫描间距的参数范围，通过正交阵列实验得到64组参数组合。采用ANN、ENet、KRR、GBR和Lasso等算法构建堆叠模型，以预测拉伸强度。利用贝叶斯优化和交叉验证优化模型，并使用多种指标评估模型性能。

通过皮尔逊相关系数分析，发现扫描速度对拉伸强度影响最大，激光功率次之，hatch间距最小。经优化，确定了堆叠模型的最佳基础模型组合。训练和测试结果表明，堆叠模型相比ANN模型，预测精度更高、稳定性更强，能更好地捕捉工艺参数与拉伸强度间的复杂关系。

提出的堆叠集成学习模型为预测大型LPBF制造的Ti6Al4V合金拉伸强度提供了有效框架。研究确定了关键参数的影响程度，验证了堆叠模型在多方面的优势，为金属零件LPBF工艺力学性能预测提供了可靠方法。

关键词

机器学习；激光粉末床熔融；集成学习；堆叠算法；增材制造

引用

Changjun HAN（韩昌骏）, Fubao YAN（严佛宝）, Daolin YUAN（袁道林）, Kai LI（黎凯）, Yongqiang YANG（杨永强）, Jiong ZHANG（张冏）, Di WANG（王迪）. Machine learning enabling prediction in mechanical performance of Ti6Al4V fabricated by large-scale laser powder bed fusion via a stacking model. Front. Mech. Eng., 2024, 19(4): 25

https://doi.org/10.1007/s11465-024-0796-0

扫描二维码阅读原文

精彩推荐

1. FME文章荐读 | 基于参数化水平集方法的曲线纤维增强复合材料结构屈曲优化

2. FME文章荐读 | 基于连续体机器人末端执行器的飞机机翼多余材料检测与清除

3. FME文章荐读 | VMMAO-YOLO：一种用于航空电子热敏电阻导线焊点实时缺陷检测的超轻量级尺度感知检测器

4. FME文章荐读 | 基于纳米润滑剂的超声振动辅助生物骨微磨削加工性能研究

5. FME文章荐读 | 纳米生物润滑剂在航空航天铝合金铣削的力学行为及半经验力学模型