《Metals》:Artificial Neural Network-Based Optimisation of Geometric Characteristics in Laser Metal Deposition of TiC/Ti6Al4V
Thabo Tlale,
Peter Mashinini and
Bathusile Masina
编辑推荐:
激光金属沉积(Laser Metal Deposition, LMD)基于逐层材料添加原理,每一层由重叠的单个单道构成。因此,形成的熔覆层是这项技术的基本构建单元,其质量直接影响整体构建质量,特别是几何特征,这些特征对工艺生产率也至关重要。在本研究中,研究人员
激光金属沉积(Laser Metal Deposition, LMD)基于逐层材料添加原理,每一层由重叠的单个单道构成。因此,形成的熔覆层是这项技术的基本构建单元,其质量直接影响整体构建质量,特别是几何特征,这些特征对工艺生产率也至关重要。在本研究中,研究人员优化了通过激光金属沉积制备的TiC/Ti6Al4V单道的几何特征。研究人员开发了一个人工神经网络(Artificial Neural Network, ANN)模型,以工艺参数(激光功率、扫描速度和粉末送进速率)作为模型输入,预测熔覆层宽度、高度和稀释率。采用粒子群优化(Particle Swarm Optimisation, PSO)算法进行超参数选择。超参数优化后的模型在训练阶段实现了0.00183的均方误差(Mean Squared Error, MSE)和0.979的R2分数,在测试阶段实现了0.00709的MSE和0.887的R2分数。尽管训练与测试指标间的微小差异表明存在轻微过拟合(可能源于数据集规模),但模型在测试阶段实现了低于10%的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)。随后,利用模型预测生成的工艺图确定了合适的参数,并开发了一个工艺窗口图,该图突出了能够实现合适稀释率(14–24%)、无缺陷的良好结合以及厚实、致密熔覆层的窗口。
**论文解读:基于人工神经网络的TiC/Ti6Al4V激光金属沉积几何特征优化**
**研究背景与问题**
增材制造(Additive Manufacturing, AM)技术,特别是激光金属沉积(Laser Metal Deposition, LMD),因其制造复杂几何形状、修复结构件等优势受到广泛关注。LMD工艺中,单道熔覆层是逐层构建的基本单元,其几何特征(熔覆层宽度、高度和稀释率)直接影响整体构建质量和工艺生产率。理想的熔覆层应具备厚实、致密、无缺陷且与基体良好结合的特点。然而,现有研究指出,稀释率过大意味着过多的激光能量用于重熔前一层,可能导致外延生长;而熔覆层宽度和高度则分别影响单道覆盖面积和层数。工艺参数(激光功率、扫描速度、粉末送进速率)的平衡控制是获得理想几何特征的关键。此外,在Ti6Al4V合金中添加TiC颗粒可形成钛金属基复合材料(Titanium Metal Matrix Composite, TMMC),抑制外延生长并增强力学性能,但未溶解的TiC颗粒可能保留缺陷,影响拉伸性能。因此,需要确定合适的工艺窗口以促进TiC充分溶解和均匀分布。然而,TiC添加对几何特征的影响在文献中鲜有报道,且LMD工艺涉及复杂的物理现象,传统数值模型(如有限元)和统计方法(如响应曲面法)存在计算成本高或预测精度有限等问题。为此,本研究旨在开发一个基于人工神经网络(ANN)的预测模型,结合粒子群优化(PSO)算法进行超参数选择,以优化TiC/Ti6Al4V单道的几何特征,并建立工艺窗口图。该研究发表在《Metals》期刊上。
**主要技术方法**
研究人员采用直径为2 mm的3 kW Yb光纤激光器(IPG Photonics)和三路同轴喷嘴系统,在6 mm厚的Ti6Al4V基板上制备TiC/Ti6Al4V单道(长度50 mm)。粉末送进系统(GTV)包含两个料斗,分别装载TiC(45–150 μm,不规则形状)和Ti6Al4V(45–100 μm,球形)粉末,载气为氩气(Ar,1.5 L/min),保护气为氩气(15 L/min)。共制备23个样品(来源:表1),工艺参数为:激光功率(1000、1250、1500 W)、扫描速度(500、1000 mm/min)、粉末送进速率(与TiC含量耦合,范围为3.0–7.0 g/min,TiC含量为5.3–55.7 wt.%)。使用SEM(JEOL JSM-6010PLUS/LA)分析宏观和微观结构,利用ImageJ软件测量几何特征(宽度、高度、深度),并根据公式D = d/(d + h)计算稀释率。ANN模型采用Keras库(TensorFlow框架)构建,包含一个隐藏层(3个输入神经元:激光功率、扫描速度、粉末送进速率;3个输出神经元:宽度、高度、稀释率),隐藏层神经元数量通过PSO算法优化(β1=0.64,β2=0.67,8个隐藏神经元)。数据集分为训练(15个)、验证(4个)和测试(4个)样本,采用K折交叉验证(4折)和早停法防止过拟合。
**研究结果**
**3.1 TiC含量对ANN预测精度的影响**
由于粉末送进速率与TiC含量内在耦合,研究人员通过对比两种模型配置(包含TiC含量作为输入 vs. 排除TiC含量)进行敏感性研究。结果表明,无论是否包含TiC含量,模型预测性能差异很小(宽度和稀释率的MAPE差异小于6%),且排除TiC含量的模型在各项几何特征上均获得最低MAPE。因此,在后续建模中排除TiC含量,以简化模型而不牺牲预测精度。
**3.2 超参数选择与K折交叉验证**
PSO算法优化后,确定隐藏层神经元数为8,β1=0.64,β2=0.67。4折交叉验证的平均MSE为0.0050,平均R
2分数为0.919。最终训练后模型在训练集上取得MSE=0.00183,R
2=0.979,验证曲线与训练曲线保持较小且一致的差距,表明模型有效学习且泛化良好。
**3.3 ANN模型测试**
使用4个未参与训练/验证的样品(样品20–23)进行测试。模型预测结果:高度平均绝对误差(MAE)为5.77%,宽度MAE为5.25%,稀释率MAE为4.11%;MSE=0.00709,R
2=0.887。与文献中类似研究(如Song等采用RSM和ANN模型预测316L不锈钢)相比,本模型性能相当,尽管测试集误差略高于训练集(轻微过拟合),但总体预测精度超过90%,可用于生成工艺图。
**3.4 工艺参数交互作用**
通过三维曲面图分析参数对几何特征的影响:
- **宽度**:主要受激光功率和扫描速度影响,粉末送进速率影响微弱。激光功率增加使熔池宽度增大,扫描速度增加导致宽度减小。
- **稀释率**:主要受粉末送进速率影响,扫描速度和激光功率影响相当。增加粉末送进速率可降低稀释率;在固定粉末送进速率下,扫描速度增加对稀释率影响不显著。
- **高度**:主要受粉末送进速率影响,其次为扫描速度,激光功率影响可忽略。高粉末送进速率和低扫描速度有利于获得厚实熔覆层。
**3.5 工艺窗口图开发**
基于优化目标(优先最小稀释率,其次良好的冶金结合,再次厚实致密的熔覆层),研究人员在扫描速度500 mm/min下制备9个样品(TMMC1–TMMC9)。SEM截面分析显示,低粉末送进速率导致深熔深、低高度和宽熔覆层;高粉末送进速率则相反。TMMC7和TMMC8因粉末送进速率过高和激光功率不足出现未熔合缺陷,其宽度比(Aspect Ratio, AR)分别为2.0和2.5,表明AR≤2.5可能引发未熔合。TMMC4、TMMC5、TMMC6和TMMC9表现出良好的熔覆层轮廓(厚实、致密、最小稀释率),其稀释率范围为14%–24%。进一步微观结构分析显示,这些样品中TiC相呈现链状、等轴、枝晶和颗粒状形态,面积分数因热历史差异(G/R比)而不同:TMMC6(高激光功率)因较低温度梯度形成等轴枝晶TiC;TMMC5(较高G/R)形成柱状枝晶和粗大等轴TiC。基于此,研究构建了LMD工艺窗口图(图14),突出显示合适稀释率范围(14%–24%)及对应的工艺参数组合(激光功率1000–1500 W,粉末送进速率3.7–7 g/min,扫描速度500 mm/min)。
**结论与讨论**
总结讨论部分:研究人员指出,ANN模型适用于工艺-性能建模与优化,但训练数据的质量和数量影响模型精度和稳健性。未来工作需扩大和多样化数据集以增强模型鲁棒性;此外,应制备水平层和立方体样品以验证工艺窗口图在多层沉积中的应用;还需研究TiC添加对力学性能的直接效应,以优化TiC含量。
翻译研究结论部分:
(1)基于开发的ANN模型和TiC/Ti6Al4V实验单道的冶金表征,确定了实现最小稀释率、致密和厚实熔覆层的最佳工艺窗口。ANN模型预测几何特征(宽度、高度、稀释率)的测试MSE为0.00719,R
2分数为0.885,证明了其在生成工艺图预测数据方面的有效性。
(2)工艺参数对几何特征的综合影响:熔覆层高度主要受粉末送进速率影响,其次为扫描速度,激光功率影响可忽略;熔覆层宽度主要受激光功率和扫描速度影响;稀释率主要受粉末送进速率影响,扫描速度和激光功率影响相当。
(3)结合工艺参数与几何特征的交互作用理解及实验样品冶金检验,确定了在低扫描速度(500 mm/min)、高粉末送进速率(约3.7–7 g/min)和激光功率(1000–1500 W)下可获得合适稀释率(14%–24%)、厚实致密且无可见缺陷的熔覆层。
(4)TiC颗粒的添加导致在不同工艺条件下形成原位TiC颗粒,呈现不同形态。高TiC含量样品中未溶解TiC更显著。增加激光功率增强了TiC溶解,表现为基体中原位TiC相面积分数增加。此外,含14.6 wt.% TiC的样品呈现等轴晶,而含5.3 wt.% TiC的样品呈现柱状晶。
(5)ANN算法可用于工艺-性能建模与优化,但模型精度和稳健性受训练数据质量与数量影响。未来应扩大数据集,制备水平层和立方体样品验证工艺窗口图,并研究TiC含量对力学性能的影响。