用于参数开发的机器学习
人工智能如何结束新型 3D 打印合金的反复试验。
1。简介：参数迷宫
任何想要使用激光粉末床融合 (PBF-LB) 打印全新材料（例如实验性高熵合金）的人都面临着数学噩梦。激光功率、扫描速度、填充距离（轨道间距）、层厚度和数百个其他参数相互影响。传统上，通过反复试验找到 99.9% 密度的完美参数集通常需要数月时间和数万欧元。
人工智能 (AI) 和机器学习 (ML) 正在彻底改变这一过程。算法只需几周而不是几个月就能找到新金属的完美配方。
什么是实验设计 (DoE)？
DoE 是实验的统计规划。该软件不是盲目猜测参数，而是让机器专门打印由数十个小立方体组成的网格。每个立方体的参数略有不同（例如立方体A：200W/800mm/s，立方体B：210W/850mm/s）。打印后，检查立方体的孔隙率，并将数据报告回软件。
2。机器学习如何加速这一过程
经典 DoE 的变量超过 15 个，达到了极限。机器学习接管了这里。
- 贝叶斯优化：使用历史数据（例如来自 Titan 或 Inconel 的参数）训练算法。他用新材料打印了一系列测试样本 (DoE)。该算法根据结果（密度、裂缝）“学习”物理关系。然后，他提出了人类工程师永远不会想到的全新的、非传统的参数组合。
- 数字孪生：使用人工智能支持的热模拟（例如物理信息神经网络），在计算机中虚拟创建熔池。机器学习模型纯粹以虚拟方式测试数百万个参数，并确定最佳“工艺窗口”，而不会浪费一克粉末。
3。特殊要求参数
不存在“一个”完美的参数集。
有时您需要最大构建速度（组件内部的核心参数，其中密度很重要，但表面积无关紧要）。有时您需要镜面光滑的表面（外壳的蒙皮参数）。机器学习帮助制造商生成所谓的“参数配置文件”，这些配置文件在组件中局部动态变化（例如，为支撑结构提供额外的能量，为脆弱的悬垂提供更少的能量）。
4。现场数据修正
人工智能开发的下一步是将参数开发与现场监控（打印机中的实时摄像头）联系起来。
如果 ML 模型在打印测试立方体时从相机反馈（熔池热量）实时检测到温度变得太热（锁孔孔隙的风险），它会停止打印该立方体并自动测试下一层中的冷却器参数。打印机在运行时本质上是对其自身进行参数设置。
5。结论：新材料的民主化
到目前为止，只有航空巨头才有能力开发定制合金。机器学习（Intellegens 的 Alchemite 等软件解决方案）大大降低了 PBF 参数的开发成本。人工智能是将数千种新型超高效轻金属合金从实验室转移到工业 3D 打印的关键。