CN115026310B - 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 - Google Patents
一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 Download PDFInfo
- Publication number
- CN115026310B CN115026310B CN202210534402.4A CN202210534402A CN115026310B CN 115026310 B CN115026310 B CN 115026310B CN 202210534402 A CN202210534402 A CN 202210534402A CN 115026310 B CN115026310 B CN 115026310B
- Authority
- CN
- China
- Prior art keywords
- powder
- porosity
- particle size
- bin
- layer thickness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/80—Data acquisition or data processing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/20—Direct sintering or melting
- B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Abstract
本发明公开了一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法,包括如下步骤:分别建立成形仓、粉仓、刮刀的3D模型;根据粉末的物性参数,在粉仓内生成粉末,粉末在粉仓内自由落体堆叠,成形仓下降距离为层厚H,粉仓上升距离为LH,刮刀将粉仓中的粉末刮至成形仓,铺粉完成后,得到铺粉孔隙率ρi;依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,获取粒径分布‑层厚‑铺粉孔隙率数据集;建立支持向量回归预测模型,将粒径分布‑层厚‑铺粉孔隙率数据集归一化后划分为训练集和测试集,确定模型最优参数;选取粒径分布为(D,σ)的粉末堆积层厚为H的构件,修正预测模型中金属粉末蒸发引起的误差,通过修正后的预测模型进行铺粉孔隙率的预测。
Description
技术领域
本发明涉及激光选区熔化增材制造技术领域,具体是一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法。
背景技术
激光增材制造因其堆积效率高、成形质量好、成形件致密度高等优良特性,近年来受到研究人员的广泛关注。其中激光选区熔化(Selected Laser Melting,SLM)增材制造作为激光增材制造体系中最前沿和最有潜力的技术,具有成形精度高、材料利用率高等优良特性,在复杂结构件的制造上具有良好的应用前景。
激光选区熔化增材制造过程涉及的物理过程非常复杂,采用实验试错的方法进行材料工艺开发代价昂贵。粉末粒径分布、铺粉层厚度、刮刀形状等因素都会影响铺粉状况,继而影响计算机仿真准确性。评价铺粉状况好坏的一个重要因素为铺粉孔隙率,孔隙率决定了当前层排出空气的体积即体积收缩量。在激光选区熔化增材制造过程考虑与不考虑粉末熔化体积收缩的效应,将对激光功率选择、变形和应力控制产生较大影响。
此外,当采用计算机仿真技术对激光选区熔化增材的工艺参数进行研究分析时,粉末熔化体积收缩率对仿真精度具有显著影响。目前考虑体积收缩的仿真模型多采用定孔隙率模型,而粉末粒径分布不同、铺粉层厚度不同都会对铺粉孔隙率造成较大影响,采用定孔隙率模型进行仿真误差较大,无法获得精确的仿真结果。
为了提高激光选区熔化增材实验过程的工艺优化效率和成形精度,以及改善计算机激光选区熔化增材过程仿真的计算精度,亟需引入一种考虑粉末粒径分布、铺粉层厚度、材料物理参数特性的粉末熔化体积收缩率的预测方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法,包括如下步骤:
步骤一:分别建立成形仓、粉仓、刮刀的3D模型;
步骤二:根据所使用粉末的物性参数,在粉仓内生成具有高斯分布(D,σ)的粉末,使粉末在粉仓内自由落体堆叠,其中D为粉末直径,σ为高斯分布标准差;
步骤三:成形仓下降距离为层厚H,粉仓上升距离为LH,刮刀将粉仓中的粉末刮至成形仓,铺粉完成后,读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,计算成形仓下降距离的体积Vs,根据所有粉末的体积Vb和成形仓下降距离的体积Vs得到铺粉孔隙率ρi;
步骤四:依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,获取粒径分布-层厚-铺粉孔隙率数据集;
步骤五:建立支持向量回归预测模型,将粒径分布-层厚-铺粉孔隙率数据集归一化后划分为训练集和测试集,粒径分布、层厚为输入变量,铺粉孔隙率为输出变量,使用支持向量回归预测模型进行训练与预测,确定模型最优参数;
步骤六:选取粒径分布为(D,σ)的粉末堆积层厚为H的构件,获取构件的堆积高度,使用相同的粒径分布及层厚作为输入变量,通过支持向量回归预测模型预测铺粉孔隙率,根据获取的构件的堆积高度与当前铺粉孔隙率下预测堆积高度的误差,修正预测模型中金属粉末蒸发引起的误差,通过修正后的预测模型进行铺粉孔隙率的预测。
进一步的,所述的铺粉孔隙率ρi,计算公式如下:
进一步的,所述的根据所使用粉末的物性参数,所述的物性参数包括设置材料的密度、刚度系数及重力加速度。
进一步的,所述的读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,包括读取成形仓中每一个粉末的粒径,导出所有粉末粒径数据并计算每个粉末的体积,对所有粉末体积求和获得Vb。
进一步的,所述的依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,包括选取不同层厚、不同粒径分布进行铺粉模拟,计算不同层厚和不同粒径分布情况下的铺粉孔隙率,进行铺粉模拟,获取粒径分布-层厚-铺粉孔隙率数据集。
本发明的有益效果是:(1)本发明可对不同层厚、不同粒径分布粉末SLM增材制造铺粉过程进行铺粉孔隙率预测,相比现有的有限仿真模型采用的定孔隙率模型,针对不同层厚、不同粒径分布粉末,通过支持向量回归预测模型预测当前状况下铺粉孔隙率,可以使仿真结果更精确。
(2)本发明充分发挥离散元随机化特点及支持向量回归机器学习方法强大的回归预测性能,该模型泛化性好,预测精度高,无需大数据量即可进行精准预测。
附图说明
图1为一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法的原理示意图;
图2为本发明成形仓、粉仓、刮刀3D模型示意图;
图3为本发明粉末自由落体堆叠过程示意图;
图4为本发明刮刀运动过程示意图;
图5为本发明铺粉完成后成形仓内粉末示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
为了使本发明的目的,技术方案及优点更加清楚明白,结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且,术语“包括”,“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程,方法,物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程,方法,物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程,方法,物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示,一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法,包括如下步骤:
步骤一:分别建立成形仓、粉仓、刮刀的3D模型;
步骤二:根据所使用粉末的物性参数,在粉仓内生成具有高斯分布(D,σ)的粉末,使粉末在粉仓内自由落体堆叠,其中D为粉末直径,σ为高斯分布标准差;
步骤三:成形仓下降距离为层厚H,粉仓上升距离为LH,刮刀将粉仓中的粉末刮至成形仓,铺粉完成后,读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,计算成形仓下降距离的体积Vs,根据所有粉末的体积Vb和成形仓下降距离的体积Vs得到铺粉孔隙率ρi;
步骤四:依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,获取粒径分布-层厚-铺粉孔隙率数据集;
步骤五:建立支持向量回归预测模型,将粒径分布-层厚-铺粉孔隙率数据集归一化后划分为训练集和测试集,粒径分布、层厚为输入变量,铺粉孔隙率为输出变量,使用支持向量回归预测模型进行训练与预测,确定模型最优参数;
步骤六:选取粒径分布为(D,σ)的粉末堆积层厚为H的构件,获取构件的堆积高度,使用相同的粒径分布及层厚作为输入变量,通过支持向量回归预测模型预测铺粉孔隙率,根据获取的构件的堆积高度与当前铺粉孔隙率下预测堆积高度的误差,修正预测模型中金属粉末蒸发引起的误差,通过修正后的预测模型进行铺粉孔隙率的预测。
所述的铺粉孔隙率ρi,计算公式如下:
所述的根据所使用粉末的物性参数,所述的物性参数包括设置材料的密度、刚度系数及重力加速度。
所述的读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,包括读取成形仓中每一个粉末的粒径,导出所有粉末粒径数据并计算每个粉末的体积,对所有粉末体积求和获得Vb。
所述的依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,包括选取不同层厚、不同粒径分布进行铺粉模拟,计算不同层厚和不同粒径分布情况下的铺粉孔隙率,进行铺粉模拟实验,获取粒径分布-层厚-铺粉孔隙率数据集。
具体的,该方法具体实施方式如下:
基于PFC3D软件建立成形仓、粉仓、刮刀3D模型,成形仓与粉仓尺寸相同,如:其长宽高分别为:500um,500um,300um,刮刀的长宽高分别为:1000um,500um,800um,在初始时刻,成形仓运动平台位于最高处,粉仓运动平台位于最低处;
成形仓、粉仓尺寸选取为500um×500um×300um是因为在该尺寸下进行铺粉足以反映真实铺粉孔隙率,若增大尺寸,则粉末颗粒数增加,离散元仿真时间变长,若减小尺寸,则粉末颗粒数减少,铺粉孔隙率误差增大;
根据所使用粉末的物性参数,设置材料的密度、刚度系数及重力加速度,在粉仓内生成具有高斯分布(D,σ)的粉末,使粉末在粉仓内自由落体堆叠,其中参数D为粉末直径,σ为高斯分布标准差;如:D的取值范围为14-100um,σ的取值范围为0-16um;粉末粒径分布设定为此范围是因为该范围包含常见市售SLM增材制造粉末粒径及标准差;
成形仓下降距离为层厚H,粉仓上升距离为LH;如:H的取值范围为30-100um,LH的取值为层厚H的4-8倍,该取值范围包含常用堆积层厚;
刮刀从右至左将粉仓中的粉末刮至成形仓,铺粉完成后,通过数组的方式读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,计算成形仓下降距离的体积Vs,即可获得当前层厚、当前粒径分布下的铺粉孔隙率ρi,计算公式如下:
层厚H从最小值到最大值,粒径高斯分布参数D、σ从最小值到最大值,依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,获取粒径分布-层厚-铺粉孔隙率数据集;
建立支持向量回归预测模型,选取高斯核函数,将数据集归一化后根据留出法将其划分为训练集和测试集,粒径分布、层厚为输入变量,铺粉孔隙率为输出变量,使用支持向量回归预测模型进行训练与预测,确定模型最优参数C,γ,ε;如:模型最优参数C=80,γ=40,ε=0.1,若C和γ过大,支持向量减少,易过拟合,C和γ过小,支持向量增多,对误判惩罚大,离群样本点易被忽略,拟合精度下降;ε过大,损失函数减小,易过拟合,ε过小,损失函数增大,拟合精度下降;
选取粒径分布为(D,σ)的粉末堆积层厚为H的10层构件,统计每层实际堆积高度,使用相同的粒径分布及层厚作为输入变量,通过支持向量回归预测模型预测铺粉孔隙率,计算实际堆积高度与当前铺粉孔隙率下预测堆积高度的误差,修正预测模型中金属粉末蒸发引起的误差。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法,其特征在于,包括如下步骤:
步骤一:分别建立成形仓、粉仓、刮刀的3D模型;
步骤二:根据所使用粉末的物性参数,在粉仓内生成具有高斯分布(D,σ)的粉末,使粉末在粉仓内自由落体堆叠,其中D为粉末直径,σ为高斯分布标准差;
步骤三:成形仓下降距离为层厚H,粉仓上升距离为LH,刮刀将粉仓中的粉末刮至成形仓,铺粉完成后,读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,计算成形仓下降距离的体积Vs,根据所有粉末的体积Vb和成形仓下降距离的体积Vs得到铺粉孔隙率ρi,H的取值范围为30-100um,LH的取值为层厚H的4-8倍;
步骤四:依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,获取粒径分布-层厚-铺粉孔隙率数据集;
步骤五:建立支持向量回归预测模型,将粒径分布-层厚-铺粉孔隙率数据集归一化后划分为训练集和测试集,粒径分布、层厚为输入变量,铺粉孔隙率为输出变量,使用支持向量回归预测模型进行训练与预测,确定模型最优参数;
步骤六:选取粒径分布为(D,σ)的粉末堆积层厚为H的构件,获取构件的堆积高度,使用相同的粒径分布及层厚作为输入变量,通过支持向量回归预测模型预测铺粉孔隙率,根据获取的构件的堆积高度与当前铺粉孔隙率下预测堆积高度的误差,修正预测模型中金属粉末蒸发引起的误差,通过修正后的预测模型进行铺粉孔隙率的预测;
所述的物性参数包括设置材料的密度、刚度系数及重力加速度。
3.根据权利要求1所述的一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法,其特征在于,所述的读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积Vb,包括读取成形仓中每一个粉末的粒径,导出所有粉末粒径数据并计算每个粉末的体积,对所有粉末体积求和获得Vb。
4.根据权利要求1所述的一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法,其特征在于,所述的依次计算不同层厚、不同粒径分布组合下铺粉孔隙率,包括选取不同层厚、不同粒径分布进行铺粉模拟,计算不同层厚和不同粒径分布情况下的铺粉孔隙率,获取粒径分布-层厚-铺粉孔隙率数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534402.4A CN115026310B (zh) | 2022-05-17 | 2022-05-17 | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534402.4A CN115026310B (zh) | 2022-05-17 | 2022-05-17 | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115026310A CN115026310A (zh) | 2022-09-09 |
CN115026310B true CN115026310B (zh) | 2023-07-04 |
Family
ID=83121342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210534402.4A Active CN115026310B (zh) | 2022-05-17 | 2022-05-17 | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115026310B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883400B (zh) * | 2023-09-07 | 2023-11-21 | 山东大学 | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190070787A1 (en) * | 2017-08-10 | 2019-03-07 | William Marsh Rice University | Machine learning enabled model for predicting the spreading process in powder-bed three-dimensional printing |
US10940533B2 (en) * | 2017-12-26 | 2021-03-09 | Desktop Metal, Inc. | System and method for controlling powder bed density for 3D printing |
US11110651B2 (en) * | 2018-12-19 | 2021-09-07 | National Cheng Kung University | Method of performing powder bed fusion process |
US11565315B2 (en) * | 2018-12-31 | 2023-01-31 | Robert Bosch Gmbh | Simulating melt pool characteristics for selective laser melting additive manufacturing |
CN111222256A (zh) * | 2020-02-26 | 2020-06-02 | 天津理工大学 | 一种预测激光选区熔化单熔道成型缺陷的数值模拟方法 |
US11806784B2 (en) * | 2020-05-21 | 2023-11-07 | The Johns Hopkins University | Rapid material development process for additive manufactured materials |
WO2022011164A1 (en) * | 2020-07-09 | 2022-01-13 | Desktop Metal, Inc. | Systems and methods for powder bed density measurement and control for additive manufacturing |
JPWO2022054144A1 (zh) * | 2020-09-08 | 2022-03-17 |
-
2022
- 2022-05-17 CN CN202210534402.4A patent/CN115026310B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115026310A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115026310B (zh) | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
Khodaygan et al. | Multi-criteria optimization of the part build orientation (PBO) through a combined meta-modeling/NSGAII/TOPSIS method for additive manufacturing processes | |
CN111144055B (zh) | 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 | |
CN110008499B (zh) | 一种基于Bayesian kriging模型的机构优化设计方法 | |
Alam et al. | Cosmic web dependence of galaxy clustering and quenching in SDSS | |
CN108267390B (zh) | 一种含纳米孔隙储层的气体渗透率确定方法 | |
CN114818401A (zh) | 机器学习模型的训练方法、训练装置、评价系统 | |
CN113191050B (zh) | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 | |
CN115526093A (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
CN112950263A (zh) | 一种粒子群优化bp神经网络配网物资价格预测方法 | |
CN109491709B (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 | |
CN113360983A (zh) | 一种边坡可靠度分析与风险评估方法 | |
CN110567421B (zh) | 基于贝叶斯原理的圆度不确定度动态评定方法 | |
CN109885896B (zh) | 一种基于复变差分灵敏度的非线性结构有限元模型修正方法 | |
CN113627594B (zh) | 基于wgan的一维时序数据增广方法 | |
CN115659776A (zh) | 一种3d打印模型成型质量参数预测方法 | |
US20230043252A1 (en) | Model prediction | |
CN113536685A (zh) | 一种基于神经网络外推的风速概率模型的建模方法 | |
CN114662056A (zh) | 镀膜厚度控制方法、装置和存储介质 | |
CN107256283B (zh) | 一种飞行器燃油箱内串油特性的高精度分析方法 | |
JP5978183B2 (ja) | 計測値分類装置及び方法及びプログラム | |
CN115718875A (zh) | 一种基于层次聚类分场景的光伏汇聚趋势量化方法 | |
CN115509196B (zh) | 一种基于机器学习的制造工艺优化方法及装置 | |
CN117131788B (zh) | 一种聚合物板材的优化成型方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |