传统的实验方法来确定金属增材制造（MAM）部件的机械性能不仅耗时，而且成本高昂，通常还受限于特定材料和工艺。这些限制使得实验方法难以广泛应用。机器学习提供了一种替代方法，它可以分析大量的数据，学习加工参数和材料特性与机械性能之间的关系，从而预测部件的性能。这种方法更加灵活，成本效益更高，并且可以处理更广泛的材料和工艺组合。
近日，卡内基梅隆大学和匹兹堡大学的研究人员在《Additive Manufacturing》期刊上发表了一篇关于金属增材制造（MAM）机械性能预测的研究。本期谷.专栏将对该文的研究背景、最新进展及总结进行分享。
“ 3D Science Valley 白皮书 图文解析
”
▲基准研究中使用的工作流程，包括数据采集、特征提取、机器学习模型的训练、预测任务和模型分析。
▲论文链接：https://doi.org/10.1088/2631-7990/acded2
这项研究对于金属增材制造领域具有重要意义，因为它提供了一种有效的方法来预测构件的机械性能，从而有助于提高生产效率和产品质量，同时降低成本。”
3D科学谷发现
3D Science Valley Discovery
研究亮点：
模型的通用性：开发的机器学习模型不仅适用于特定的材料和工艺，而且具有跨不同材料、工艺和机器的通用性，这意味着模型可以广泛应用于多种MAM场景。
成本效益：与传统的实验方法相比，机器学习模型提供了一种成本效益更高的解决方案，可以减少实验的需要，加快预测过程。
预测性能：研究中测试的ML算法，如随机森林、梯度提升和神经网络，显示出比其他模型更优的性能，这有助于提高预测的准确性。
Insights that make better life
人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原型制造与量产之间的鸿沟，开辟指数级别增长之路，也将重新定义增材制造领域的诸多商业模式。
3D科学谷
低成本的预测手段
这项研究利用机器学习模型，通过广泛的数据集来预测金属增材制造构件的机械性能，如屈服强度、极限抗拉强度、弹性模量、伸长率、硬度和表面粗糙度等。研究中使用了多种机器学习算法，包括随机森林、梯度提升决策树、支持向量机、高斯过程回归、LASSO回归、Ridge回归、神经网络和XGBoost等，以评估它们在预测方面的性能。
研究的亮点在于，机器学习模型在多个机械性能预测实验中达到了85%以上的预测准确率，并且具有较高的可解释性。这为金属增材制造的工艺优化、材料选择和性能评估提供了一种低成本的预测手段，同时也是机器学习在制造领域的重大进展。
研究团队成功开发了能够准确预测MAM过程中机械性能的机器学习模型，研究人员比较了多种机器学习模型，包括随机森林、梯度提升决策树、支持向量机、高斯过程回归、LASSO回归、Ridge回归、神经网络和XGBoost等，以评估它们在预测机械性能方面的能力。这些模型具有跨不同材料、工艺和机器的通用性，并且通过SHAP分析提高了模型的可解释性。
“ 3D Science Valley 白皮书 图文解析
”
与实验和模拟方法相比，ML 机器学习模型提供了更大的灵活性和适应性，可以根据需要轻松调整。因此，实施基于实验数据构建的 ML机器学习
模型可以提供一种更具成本效益的解决方案。此外，使用 ML 机器学习
算法可以检查加工参数对机械性能的集体影响，并有助于在实验数据点之外进行推断。
因此，将 ML 机器学习集成到 MAM 过程中不仅有助于预测各种加工参数的机械性能，而且还有助于确定最佳加工参数以确保所需的机械性能。认识到这些优势，数据驱动分析和机器学习的集成已成为先进制造的标准做法，并在增材制造研究中越来越普遍。然而，由于高度异构且获取成本高昂的数据可用性有限，机器学习算法在 金属增材制造（MAM）中的应用遇到了挑战，当前可用于机器学习的增材制造数据明显小于可用于其他机器学习任务的数据集。
基于数据
凭借研究人员手中的大量数据集，研究人员在这项名为 MechProNet 的计划中的目标是通过制定一套专门针对增材制造的机器学习方法来预测增材制造部件的机械性能。还评估了与构建过程相关的各种参数如何影响所采用的 ML 模型的预测性能。此外，可解释的 AI 方法，特别是 SHAP 分析，用于阐明 ML 机器学习模型的预测结果，使其可解释。此外，还引入了一种基于数据的模型识别方法，以揭示 MAM金属增材制造工艺中加工参数、材料特性和由此产生的机械特性之间的明确联系。
“ 3D Science Valley 白皮书 图文解析
”
研究人员框架的关键创新在于它适用于各种材料、加工条件和 MAM 工艺。基于物理的特征化确保研究人员的模型可以预测功率、层厚度、MAM 工艺、子工艺、构建方向和后处理方法的任意组合的机械性能。
这种适应性意味着研究人员的框架甚至可以预测数据集中未包含的材料（包括新开发的材料）的属性。这个全面且适应性强的框架代表了该领域的重大进步，因为以前从未开发过这样的通用方法。
▲图：显示了研究人员基准数据集中 Inconel 718 机械性能的 Pearson 相关矩阵。该矩阵是总结综合数据集的强大工具，可显示所有变量之间的相关系数和模式。值得注意的是，屈服强度、极限拉伸强度和弹性模量彼此呈正相关，而与伸长率呈负相关。此外，硬度（维氏硬度和洛氏硬度）与材料强度特性呈强正相关，但与伸长率呈负相关。
研究人员收集了一个全面的实验数据集，涵盖各种 MAM 工艺、材料和机器，特别关注它们对机械性能的影响。3D科学谷了解到，研究人员的基准机器数据集包括由各种 AM 机器（如 EOS、SLM Solutions、Renishaw、Concept Laser、3D Systems、Velo3D 和 AddUp）制造的增材制造部件的机械性能。出了PBF增材制造工艺，研究人员开发的数据集还涵盖了一系列 DED 工艺，包括 Optomec、Markforged、Meltio 和 Desktop Metal 等公司提供的工艺。此外，还包括 Sciaky 提供的 E-DED 工艺，以及电弧-DED 工艺。
“ 3D Science Valley 白皮书 图文解析
”
研究人员探索了几种特征化技术来提高多个 ML 模型的性能，同时还研究了评估指标和超参数优化方法。 在测试的 ML 机器学习算法中，包括随机森林、梯度提升和神经网络，研究人员发现这些模型的表现始终优于其他模型。因此，研究人员成功开发了一种能够预测 MAM 工艺中机械性能的精确基准 ML 模型，该模型可适用于不同的材料、工艺和机器。
总之，研究人员努力通过研究可解释的 AI 方法（特别是 SHAP 分析）来提高可解释性，以阐明 ML 模型对屈服强度等性能的预测。此外，研究人员还设计了一种数据驱动的模型识别方法，以基于数据集处理参数和材料特性建立明确的机械性能模型，旨在比所采用的 ML 模型具有更高的可解释性。
最重要的，通过提供一个标准化的比较和评估平台，研究人员建立的基准 MechProNet 将促进增材制造工艺的优化，并成为金属增材制造机器学习社区的宝贵资源。
来源
Additive Manufacturing l
Machine learning prediction of mechanical properties in metal additive manufacturing
添加新评论