Redian新闻
>
Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习

Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

尽管3D打印可以一步制造其他制造工艺无法轻松制造的复杂金属零件,但是3D打印零件的质量不一致性限制其更大的工业适应性。3D打印体现了与其他制造工艺不同的数字技术,所以机器学习非常适合优化打印变量来打印完全致密的优质金属零件。机器学习可以使用实验数据揭示各种工艺参数和未熔合的相关性,无需了解缺陷形成机制,但是传统的机器学习需要大量可靠的历史数据来优化很多打印变量。


来自中国哈尔滨工业大学先进焊接与连接国家重点实验室和美国宾夕法尼亚州立大学材料科学与工程系的Jiang等人运用增强机器学习策略,协同结合机理模型和历史实验数据,揭示减少激光粉末床熔合 (PBF-L) 中未熔合空隙形成的必要条件,提高打印金属零件的质量一致性。他们分析了101个独立实验样本,并根据冶金知识库和物理模型的人类智能,确定了5个影响未熔合缺陷的重要机理变量:无量纲扫描间距(扫描间距/池宽度)、无量纲池深度(池深度/层厚度)、无量纲温度(峰值温度/液相线温度)、马兰戈尼数和傅里叶数。在此基础上,决策树和线性回归预测未熔合的准确率分别达到 93% 和 90%。然后运用信息增益、信息增益比和基尼指数三个特征选择指标,得到相同的未熔合机制变量的层次重要性。尤为重要的是,他们提出了一个可验证的未熔合指数,来减少未熔合缺陷,并提供易于使用的可视化工艺图。该研究运用人类智能的增强机器学习,能够处理小数据集,降低计算成本。该研究策略提高打印金属零件的质量,有助于材料选择,支持新的可印刷合金的研发,并且对于解决其他制造工艺的重要问题同样具有吸引力。


该文近期发表于npj Computational Materials 8:184(2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。




Superior printed parts using history and augmented machine learning 


Meng Jiang, Tuhin Mukherjee, Yang Du & Tarasankar DebRoy 


Machine learning algorithms are a natural fit for printing fully dense superior metallic parts since 3D printing embodies digital technology like no other manufacturing process. Since traditional machine learning needs a large volume of reliable historical data to optimize many printing variables, the algorithm is augmented with human intelligence derived from the rich knowledge base of metallurgy and physics-based models. The augmentation improves the computational efficiency and makes the problem tractable by enabling the algorithm to use a small set of data. We provide a verifiable quantitative index for achieving fully dense superior parts, facilitate material selection, uncover the hierarchy of important variables that affect the density, and present easy-to-use visual process maps. These findings can improve the quality consistency of 3D printed parts that now limit their greater industrial adaptation. The approach used here can be applied to solve other problems of 3D printing and beyond.


扩展阅读

 
Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFT
Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释
Npj Comput. Mater.: 沸石—大规模精确模拟
Npj Comput. Mater.: 局部原子邻域描述符—无损压缩
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
会议预告 | 首届机器学习与统计会议暨中国现场统计研究会机器学习分会成立大会第三届 冇(Mǎo)国际青年影像周 开始征片啦!Npj Comput. Mater.: 聚簇描述—机器学习法实现外推Npj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理Npj Comput. Mater.: 搭乘“特快列车”的异相催化原子模拟[录取捷报]爱丁堡大学,Computer Science专业录取啦!Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释Npj Comput. Mater.: DFT中的电子密度—等变图神经网络Npj Comput. Mater.: 局部原子邻域描述符—无损压缩我大概中了奥密克戎 XBB.1.5 病了2天 缓过来了一文详解Prompt学习和微调(Prompt Learning & Prompt Tuning)全股票交易,Recursion收购2家AI制药初创,拟增强机器学习能力Npj Comput. Mater.: 轨道耦合—调控谷能带和激子劈裂Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习智能革命:人工智能、机器学习、生物 学习和智能材料的合力“母公司”不是mother company,“子公司”更不是son company!Npj Comput. Mater.: 氧化物中的拓扑态—如何不再众里寻她千百度?Npj Comput. Mater.: “工艺-结构-性能”—谁知其中不确定性?Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型哎哟哟,这是多自信啊Npj Comput. Mater.: 自由电子金属—原来可以这样做电子关联!留学移民集训汉奸反华反共摇篮Npj Comput. Mater.: 单原子催化剂动态电荷转移—找CeO2试一下Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFT美国哥伦比亚学院计算机科学副学士专业(Computer Science AAS)简介Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型Npj Comput. Mater.: 沸石—大规模精确模拟微档---唐德刚入境美国档案CV发论文的机会来了!南洋理工项目招生(仅限深度学习,AI,机器学习,迁移学习方向)我的第一件羽绒衣[电脑] [第八届机王争霸赛]专业MOD组——X-Computer by JETH-DESIGNNpj Comput. Mater.: 原子间势—准确性和可迁移性Npj Comput. Mater.: 表面合金化学吸附—d带中心模型能否适用?
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。