CN116680944A - 基于数值模拟及深度学习的电弧增材构件工艺预测方法 - Google Patents
基于数值模拟及深度学习的电弧增材构件工艺预测方法 Download PDFInfo
- Publication number
- CN116680944A CN116680944A CN202310493515.9A CN202310493515A CN116680944A CN 116680944 A CN116680944 A CN 116680944A CN 202310493515 A CN202310493515 A CN 202310493515A CN 116680944 A CN116680944 A CN 116680944A
- Authority
- CN
- China
- Prior art keywords
- path
- model
- numerical simulation
- neural network
- deep learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004088 simulation Methods 0.000 title claims abstract description 35
- 239000000654 additive Substances 0.000 title claims abstract description 33
- 230000000996 additive effect Effects 0.000 title claims abstract description 33
- 230000008569 process Effects 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000003475 lamination Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 239000000758 substrate Substances 0.000 claims description 12
- 230000008021 deposition Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000035515 penetration Effects 0.000 claims description 7
- 230000017525 heat dissipation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 15
- 239000010410 layer Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010017472 Fumbling Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000009125 negative feedback regulation Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于数值模拟及深度学习的电弧增材工艺参数预测方法，通过以下步骤实现：步骤一，基于开发的Python算法生成随机曲线；步骤二，几何模型生成及模型的自适应全局网格划分；步骤三，材料分析任务及数值模拟求解器设置，接着进行求解计算；步骤四，进行实际实验，校正模型；步骤五，实现步骤一、步骤二、步骤三的自动化迭代；步骤六，将收集到的温度场信息以及其对应的层积路径作为数据集；步骤七，用数据集训练一个图循环网络以及卷积神经网络；步骤八，用测试数据集对模型预测能力进行验证，避免过拟合及欠拟合；步骤九，利用实际获得的实验数据对训练的模型权值进行微调。本发明可以实现实际复杂构件增材路径的最佳层积参数预测。
Description
技术领域
本发明涉及一种工艺参数预测方法，具体涉及基于数值模拟及深度学习的电弧增材构件工艺预测方法，属于电弧增材制造领域。
背景技术
电弧增材制造是一种以电弧为热源，金属丝材为填充材料，按照既定的路径逐层堆积成型三维零件的增材制造技术。与其他以高能束为热源的增材制造技术相比，电弧增材制造具备成本低，原材料利用率高，制造效率高等特点，并在大尺寸结构的成型上显示出了独有的优势。对于尺寸较大，几何形状复杂的金属结构，传统的“等材制造”和“减材制造”工艺存在制造工艺复杂，柔性化程度低，材料浪费严重等问题。采用电弧增材制造技术则可简化制造工艺，快速响应产品结构设计，降低制造成本，应用前景广阔。然而，对于复杂结构的成形，由于散热条件的变化，恒定的工艺参数很难获得均匀的成形，这是增材制造结构质量控制所面临的挑战之一。
近年来，随着深度学习的发展，国内外大量学者基于数值模拟的结果训练神经网络，实现了对电弧增材制造的温度场、应力场、应变场及构件的组织性能、机械性能等的预测。然而现有研究主要集中于单壁墙及块体构件，大多技术方案只适用于单壁墙等简单构件的过程参数及性能参数的预测，并不适用于复杂构件。此外，大多数增材制造产品的制造过程仍是开环的，沉积参数在路径规划时就已确定，而在工业生产中，人们更希望能够根据沉积过程中的工况的变化，自适应调整工艺参数来保证成形。然而增材制造过程的高度复杂性尚不能通过普适的数学模型来描述，过程控制的实现难度较大。
发明内容
本发明为解决对复杂构件的最佳层积参数进行有效预测的问题，进而提出基于数值模拟及深度学习的电弧增材构件工艺预测方法。
本发明为解决上述问题采取的技术方案是：基于数值模拟及深度学习的构件电弧增材工艺预测方法通过以下步骤实现：
步骤一：基于开发的Python算法生成随机曲线；
步骤二：开发随机增材路径模型自适应生成算法及自适应全局网格划分算法，对步骤步骤一的随机曲线进行几何维度扩展，生成对应随机沉积路径，同时基于层积路径，生成基板几何模型，实现基板及随机层积路径的网格自适应划分，实现自动化几何模型生成及模型的自适应全局网格划分；
步骤三：基于步骤二网格划分后模型进行材料属性、几何特性、沉积路径，填充单元、初始条件、边界条件、分析工况、分析任务及数值模拟求解器的设置，接着进行求解计算；
步骤四：进行实际实验，根据实际实验结果对步骤三数值模拟模型进行校正；
步骤五：实现步骤一，步骤二，步骤三的自动化迭代，对不同边界条件，散热条件情况进行模拟计算，并对模拟结果进行分析，获取最佳熔深，熔宽及其对应的节点温度场信息；
步骤六：对步骤五收集到的温度场信息以及其对应的层积路径作为数据集，以其对应的层积参数作为标签；
步骤七：用数据集训练一个图循环网络以及卷积神经网络，实现对未知层积路径的最佳工艺参数进行预测；
步骤八：用测试数据集对步骤七模型预测能力进行验证，避免过拟合及欠拟合；
步骤九：利用实际获得的实验数据对训练的模型权值进行微调，实现实际复杂构件增材路径的最佳层积参数预测。
进一步的，所述步骤二中所述层积路径的宽度限制在4mm～12mm范围内，层积高度限制在2mm～4mm，所述基板则在所述层积路径基础上向外扩展不同尺寸，模拟不同边界条件。
进一步的，所述步骤二中所述网格划分采用全局八节点六面图网格划分，并将所述基板和层积路径网格连接在一起，并对节点重新排序，将单元刚度矩阵转换为上三角阵，从而提高矩阵求解器的运算速度。
进一步的，所述步骤六中所述温度场信息包括节点温度、节点距离热源的距离、节点距离边界的距离以及节点之间的连接关系。
进一步的，将所述温度场信息以及对应层积路径图片数据集划分为训练、测试及验证数据集。
进一步的，将所述步骤七中所述节点温度场信息输入到图循环神经网络，基于时间的反向传播算法计算梯度，对图循环神经网络进行权值优化，通过图循环神经网络提取最佳工艺参数情况下的节点温度场的时空信息，对应随机层积路径图片输入到卷积神经网络，基于反向传播算法计算梯度，对卷积神经网络权值进行更新，利用卷积神经网络对随机层积路径轨迹的几何特征进行提取。
本发明的有益效果是：
本发明通过对复杂构件增材路径进行离散化，基于数值模拟及实验数据训练得到的神经网络，实现了任意增材路径的最佳层积参数预测。基于数值模拟求解器，获取了随机增材路径在各种初始条件及边界条件下的最佳模拟数据，然后将其和层积路径图片一同作为数据集用于训练图循环神经网络及卷积神经网络模型，用实际实验数据对模型进行参数微调，从而实现了不同增材路径的最佳工艺参数预测。基于本发明提出的模型，可以大幅度减少复杂构件增材工艺参数的摸索试错次数，有效节约了材料成本及时间成本；进一步的，本发明提出的模型适应性广，不仅仅只适用于一种材料，即使面对一种新材料，也仅需要少量数据对模型进行参数微调，即可实现对新材料最佳层积参数的有效预测。
附图说明
图1是本发明的一个实施例流程示意图。
图2是本发明中数值模拟自动分网流程示意图。
图3是本发明中负反馈热源参数学习流程图。
图4是本发明中数值模拟流程图。
图5是是本发明中神经网络训练流程图。
具体实施方式
下面，结合附图对本发明做出进一步的描述：
如图1所示，本发明公开了一种基于数值模拟及深度学习的电弧增材构件工艺预测方法，通过以下步骤实现：
步骤一：基于开发的Python算法生成随机曲线。
步骤二：基于数值模拟求解器，开发了随机增材路径模型自适应生成算法及自适应全局网格划分算法，对步骤一的随机曲线进行几何维度扩展，生成对应随机沉积路径，同时基于层积路径，生成基板几何模型并与层积路径进行组合成增材模型，进一步实现基板及随机层积路径的网格划分，实现自动化几何模型生成及模型的自适应全局网格划分。
本发明自适应几何生成及网格划分流程如图2所示。
基于步骤一中产生的随机曲线，由自适应几何生成器接手其一维特征，随机生成沉积层每一道的宽度和高度，生成沉积层三维特征，根据实际经验，步骤二中层积路径的宽度限制在4mm～12mm范围内，层积高度限制在2mm～4mm，在层积路径基础上向外扩展不同尺寸形成基板，模拟不同边界及散热条件；自适应网格生成器拿到三维模型后需要根据其结构形式的不同对几何模型进行预处理，包括分块，切分，几何映射等，网格划分采用全局八节点六面图网格划分，并将基板和层积路径网格连接在一起，并对节点重新排序，将单元刚度矩阵转换为上三角阵，从而提高矩阵求解器的运算速度。
步骤三：基于步骤二网格划分后模型进行材料属性、几何特性、沉积路径，填充单元、初始条件、边界条件、分析工况、分析任务及求解器的设置，接着提交到数值模拟求解器进行温度场有限元计算。步骤三中层积路径轨迹即为步骤一中对应随机曲线轨迹，边界条件主要包括对流传热边界和焊接体积热流边界，对流传热边界用来模拟工件与周边环境的散热，焊接体积热流的设置则是用来模拟电弧对沉积金属的热量输入。
热源参数通过实时监测熔深和熔宽变化，由开发的负反馈调节算法进行修正，负反馈热源参数学习流程图如图3所示。
整个数值模拟流程如图4所示，在边界条件的设置完成后再进行分析工况设置，指定每个边界条件的加载时间与卸载时间，每个分析步的时间步长。然后再对分析任务进行设置，设置初始条件的加载位置，分析工况的加载顺序，求解结果的输出控制。最后再对求解器的内部参数进行配置。
步骤四：进行实际实验，根据实际实验结果对步骤三数值模拟模型进行校正。
步骤五：基于数值模拟求解器，实现步骤一、步骤二、步骤三的自动化迭代，对不同边界条件，散热条件情况进行模拟计算，并对模拟结果进行分析，获取最佳熔深，熔宽及其对应的节点温度场信息。
步骤六：对步骤五收集到的节点温度场信息以及其对应的层积路径图片作为数据集，以其对应的层积参数作为标签。步骤六中节点的温度场信息包括节点温度、节点距离热源的距离、节点距离边界的距离以及节点之间的连接关系。将离热源及层积路径距离较远的，对层积结果影响不大的节点温度场信息略去，减少神经网络的计算量，提高训练速度。层积路径图片分辨率为512px×512px，由于层积路径要与节点温度场信息一一对应，另一方面，数据集获得的成本较低，本发明中不对数据集进行数据增强操作。将数据集按98:1:1划分为训练集，测试集及验证集。
步骤七：用数据集训练一个图循环网络以及卷积神经网络，实现对未知层积路径的最佳工艺参数进行预测。
本发明神经网络训练流程如图5所示。
将节点温度场信息输入到图循环神经网络，基于时间的反向传播算法计算梯度，对图循环神经网络进行权值优化，通过图循环神经网络提取最佳工艺参数情况下的节点温度场的时空信息；对应随机层积路径图片输入到卷积神经网络，基于反向传播算法计算梯度，对卷积神经网络权值进行更新，利用卷积神经网络对随机层积路径轨迹的几何特征进行提取。神经网络训练时，通过层间标准化技术(LayerNormalization)对图循环神经网络不同时间步信息进行标准化，使得每一个层间时间步输出都有自己的分布，从而变长序列，使得图循环神经网络可以处理不同长度的节点温度场信息；通过批标准化(Batchnormalization)对卷积神经网络层间输出进行处理，提高参数更新效率。神经网络学习率设置为0.0001，训练迭代次数设置为200次，训练优化器采用Adam。为了加强神经网络的泛化能力，提高模型对复杂构件的适用性，训练时采用dropout技巧来避免对局部特征过学习，减少过拟合。将图神经网络和卷积神经网络提取到底节点温度场特征和层积轨迹特征进行连接，然后输入到全连接层中进行特征处理，最后输出对应层积轨迹的最佳工艺参数。
步骤八：用测试，验证数据集对步骤七模型预测能力进行验证，避免过拟合及欠拟合。
步骤九：利用实际获得的实验数据对训练的模型权值进行微调，实现实际复杂构件增材路径的最佳层积参数预测。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (6)
1.基于数值模拟及深度学习的构件电弧增材工艺预测方法，其特征在于所述方法通过以下步骤实现：
步骤一：基于开发的Python算法生成随机曲线；
步骤二：开发随机增材路径模型自适应生成算法及自适应全局网格划分算法，对步骤步骤一的随机曲线进行几何维度扩展，生成对应随机沉积路径，同时基于层积路径，生成基板几何模型，实现基板及随机层积路径的网格自适应划分，实现自动化几何模型生成及模型的自适应全局网格划分；
步骤三：基于步骤二网格划分后模型进行材料属性、几何特性、沉积路径，填充单元、初始条件、边界条件、分析工况、分析任务及数值模拟求解器的设置，接着进行求解计算；
步骤四：进行实际实验，根据实际实验结果对步骤三数值模拟模型进行校正；
步骤五：实现步骤一、步骤二、步骤三的自动化迭代，对不同边界条件，散热条件情况进行模拟计算，并对模拟结果进行分析，获取最佳熔深，熔宽及其对应的节点温度场信息；
步骤六：对步骤五收集到的温度场信息以及其对应的层积路径作为数据集，以其对应的层积参数作为标签；
步骤七：用数据集训练一个图循环网络以及卷积神经网络，实现对未知层积路径的最佳工艺参数进行预测；
步骤八：用测试数据集对步骤七模型预测能力进行验证，避免过拟合及欠拟合；
步骤九：利用实际获得的实验数据对训练的模型权值进行微调，实现实际复杂构件增材路径的最佳层积参数预测。
2.根据权利要求1所述的基于数值模拟及深度学习的构件电弧增材工艺参数预测方法，其特征在于所述步骤二中所述层积路径的宽度限制在4mm～12mm范围内，层积高度限制在2mm～4mm，所述基板则在所述层积路径基础上向外扩展不同尺寸，模拟不同边界条件。
3.根据权利要求1所述的基于数值模拟及深度学习的构件电弧增材工艺参数预测方法，其特征在于所述步骤二中所述网格划分采用全局八节点六面图网格划分，并将所述基板和层积路径网格连接在一起，并对节点重新排序，将单元刚度矩阵转换为上三角阵，从而提高矩阵求解器的运算速度。
4.根据权利要求1所述的基于数值模拟及深度学习的构件电弧增材工艺参数预测方法，其特征在于所述步骤六中所述温度场信息包括节点温度、节点距离热源的距离、节点距离边界的距离以及节点之间的连接关系。
5.根据权利要求1所述的基于数值模拟及深度学习的构件电弧增材工艺参数预测方法，其特征在于将所述温度场信息以及对应层积路径图片数据集划分为训练、测试及验证数据集。
6.根据权利要求1所述的基于数值模拟及深度学习的构件电弧增材工艺参数预测方法，其特征在于将所述步骤中所述节点温度场信息输入到图循环神经网络，基于时间的反向传播算法计算梯度，对图循环神经网络进行权值优化，通过图循环神经网络提取最佳工艺参数情况下的节点温度场的时空信息，对应随机层积路径图片输入到卷积神经网络，基于反向传播算法计算梯度，对卷积神经网络权值进行更新，利用卷积神经网络对随机层积路径轨迹的几何特征进行提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493515.9A CN116680944B (zh) | 2023-05-05 | 2023-05-05 | 基于数值模拟及深度学习的电弧增材构件工艺预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493515.9A CN116680944B (zh) | 2023-05-05 | 2023-05-05 | 基于数值模拟及深度学习的电弧增材构件工艺预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116680944A true CN116680944A (zh) | 2023-09-01 |
| CN116680944B CN116680944B (zh) | 2023-12-22 |
Family
ID=87779841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310493515.9A Active CN116680944B (zh) | 2023-05-05 | 2023-05-05 | 基于数值模拟及深度学习的电弧增材构件工艺预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116680944B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170028499A1 (en) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Machine learning device, arc welding control device, arc welding robot system, and welding system |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| CN110008554A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨工业大学 | 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 |
| US20200147889A1 (en) * | 2018-11-08 | 2020-05-14 | General Electric Company | Machine learning assisted development in additive manufacturing |
| CN112149335A (zh) * | 2020-10-28 | 2020-12-29 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
| CN112620652A (zh) * | 2020-11-27 | 2021-04-09 | 哈尔滨工业大学 | 一种电弧增材制造过程的自适应控制系统及方法 |
| WO2022243962A1 (en) * | 2021-05-21 | 2022-11-24 | Breton S.P.A. | Method and plant for manufacturing three-dimensional articles by deposition of a plurality of overlapping layers of a material for additive manufacturing |
-
2023
- 2023-05-05 CN CN202310493515.9A patent/CN116680944B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170028499A1 (en) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Machine learning device, arc welding control device, arc welding robot system, and welding system |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| US20200147889A1 (en) * | 2018-11-08 | 2020-05-14 | General Electric Company | Machine learning assisted development in additive manufacturing |
| CN110008554A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨工业大学 | 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 |
| CN112149335A (zh) * | 2020-10-28 | 2020-12-29 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
| CN112620652A (zh) * | 2020-11-27 | 2021-04-09 | 哈尔滨工业大学 | 一种电弧增材制造过程的自适应控制系统及方法 |
| WO2022243962A1 (en) * | 2021-05-21 | 2022-11-24 | Breton S.P.A. | Method and plant for manufacturing three-dimensional articles by deposition of a plurality of overlapping layers of a material for additive manufacturing |
Non-Patent Citations (2)
| Title |
|---|
| QI, XINBO 等: "Applying Neural-Network-Based Machine Learning to Additive Manufacturing: Current Applications, Challenges, and Future Perspectives", Retrieved from the Internet <URL:https//doi.org/10.1016/j.eng.2019.04.012> * |
| 苏金龙 等: "基于机器学习的增材制造过程优化与新材料研发进展", 中国激光, vol. 49, no. 14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116680944B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rayegani et al. | Fused deposition modelling (FDM) process parameter prediction and optimization using group method for data handling (GMDH) and differential evolution (DE) | |
| Amiri et al. | Buffer allocation in unreliable production lines based on design of experiments, simulation, and genetic algorithm | |
| CN111688192B (zh) | 一种选区激光熔化主要工艺参数匹配优化方法 | |
| JP2002505194A (ja) | 曲がり板の成形方法および装置 | |
| CN111240209A (zh) | 构型动型控型优型联动响应的自适应组态方法及系统 | |
| CN109101712A (zh) | 基于图网络的产品模型设计系统及方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN103870658B (zh) | 一种基于动态规划与遗传算法的装配序列规划方法及装置 | |
| CN111723516B (zh) | 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法 | |
| CN113722992A (zh) | 一种带嵌件注塑件注塑工艺参数多目标优化方法 | |
| CN110502779B (zh) | 一种基于模糊推理的注塑成型模具的智能设计方法 | |
| CN111625969B (zh) | 一种增材制造变形补偿制造方法 | |
| CN109255141A (zh) | 一种汽车车身正向概念设计截面形状优化方法 | |
| CN116680944B (zh) | 基于数值模拟及深度学习的电弧增材构件工艺预测方法 | |
| CN114398824A (zh) | 基于局部代理模型的电机多目标鲁棒性优化方法 | |
| Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
| Zargar et al. | Deep learning in early-stage structural performance prediction: Assessing morphological parameters for buildings | |
| CN105893667A (zh) | 一种异构仿真数据的统一集成可视方法 | |
| CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
| CN114091304B (zh) | 氢氧气体热源加工船体外板的智能决策方法 | |
| Hallmann et al. | A method for analyzing the influence of process and design parameters on the build time of additively manufactured components | |
| CN112632810A (zh) | 一种杆件折弯上模下压量规律的预测方法 | |
| Dai et al. | Multi-objectives design optimization based on multi-objectives Gaussian processes for System-in-Package | |
| CN114912342A (zh) | 一种基于多质量参数的封装引线键合工艺参数优化方法 | |
| CN114919181A (zh) | 连续纤维3d打印过程动态模拟及打印件翘曲变形的预测方法 |
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 |