期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于内嵌物理信息深度学习模型的增材制造工艺参数及熔池尺寸预测 被引量：3
1
作者 赵明志 韦辉亮 +3 位作者 茅仪铭 张长东 刘婷婷 廖文和 《Engineering》 SCIE EI CAS CSCD 2023年第4期181-195,M0008,共16页
熔池特征对激光粉末床熔融(LPBF)的打印质量有显著影响,打印参数和熔池尺寸的定量预测对LPBF中复杂过程的智能控制至关重要。然而由于高度非线性,打印参数和熔池尺寸的双向预测一直极具挑战。为了解决此问题,本工作融合典型实验、机理... 熔池特征对激光粉末床熔融(LPBF)的打印质量有显著影响,打印参数和熔池尺寸的定量预测对LPBF中复杂过程的智能控制至关重要。然而由于高度非线性,打印参数和熔池尺寸的双向预测一直极具挑战。为了解决此问题,本工作融合典型实验、机理模型和深度学习研究激光PBF过程中关键参数和熔池特性的正向和逆向预测。实验提供基础数据,机理模型显著增强数据集,多层感知器(MLP)深度学习模型则根据实验和机理模型构建的数据集预测熔池尺寸和工艺参数。结果表明可以实现熔池尺寸和工艺参数的双向预测,最高预测准确率接近99.9%,平均预测准确率超过90.0%。此外,MLP模型的预测准确率与数据集的特征密切相关,即数据集的可学习性对预测准确率有至关重要的影响。通过机理模型增强数据集后的最高预测精度为97.3%,而仅使用实验数据集时的最高预测精度只有68.3%。MLP模型的预测准确率在很大程度上取决于数据集的质量。研究结果表明使用MLP进行复杂相关性的双向预测对于激光PBF是可行的,本工作为选定智能增材制造的工艺条件和结果提供了一个新颖而有用的框架。 展开更多
关键词 Additive manufacturing Molten pool MODEL Deep learning LEARNABILITY
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部