CN116796641A - 基于SVR和OpenCV的金属3D打印构件力学性能预测方法 - Google Patents
基于SVR和OpenCV的金属3D打印构件力学性能预测方法 Download PDFInfo
- Publication number
- CN116796641A CN116796641A CN202310765272.XA CN202310765272A CN116796641A CN 116796641 A CN116796641 A CN 116796641A CN 202310765272 A CN202310765272 A CN 202310765272A CN 116796641 A CN116796641 A CN 116796641A
- Authority
- CN
- China
- Prior art keywords
- svr
- opencv
- mechanical properties
- prediction
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002184 metal Substances 0.000 title claims abstract description 29
- 238000010146 3D printing Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 24
- 239000000654 additive Substances 0.000 claims abstract description 20
- 230000000996 additive effect Effects 0.000 claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 241000282461 Canis lupus Species 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009864 tensile test Methods 0.000 claims description 7
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 6
- 239000003518 caustics Substances 0.000 claims description 4
- 239000003153 chemical reaction reagent Substances 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 238000004043 dyeing Methods 0.000 claims description 4
- 238000005498 polishing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 3
- QZPSXPBJTPJTSZ-UHFFFAOYSA-N aqua regia Chemical compound Cl.O[N+]([O-])=O QZPSXPBJTPJTSZ-UHFFFAOYSA-N 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 229910017604 nitric acid Inorganic materials 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 description 11
- 238000005728 strengthening Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000007769 metal material Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 229910001220 stainless steel Inorganic materials 0.000 description 3
- 239000010935 stainless steel Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001887 electron backscatter diffraction Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了基于SVR和OpenCV的金属3D打印构件力学性能预测方法，包括以下步骤：S1、设计多水平多因素的正交试验方案并进行制样；S2、使用电子万能试验机测试正交试验中各组试样的力学性能；S3、使用电子显微镜获得试样中间区域的金相图片；S4、搭建增材制造工艺参数与力学性能之间的预测模型；S5、使用灰狼算法(GWO)优化支持向量机算法中的两个重要参数；S6、获取增材制造工艺的最优工艺参数组合；S7、获得每张金相图片的晶粒大小范围分布；S8、重新建立更高维输入参数的支持向量机预测模型；S9、比对重新建立的GWO‑SVR模型的预测值与实际值，验证模型的预测精度，使用通过遍历算法获得的最优工艺参数组合进行增材制造工艺制样，重新进行试验验证。
Description
技术领域
本发明属于金属3D打印技术领域，具体涉及基于SVR和OpenCV的金属3D打印构件力学性能预测方法。
背景技术
近年来，随着航空航天与国防工业的持续增长，生产需求也将继续增长。高端制造业快速发展和技术革新，对结构的几何复杂性的要求也逐渐提高。传统的生产方式很难实现对复杂结构的加工，也正因如此，能够实现复杂零件一体化成形的增材制造(AM)技术开始逐渐走上前台，可以制造出高精度、复杂的零件形状，其应用范围非常广泛，包括航空航天、医疗、汽车、化工等领域。
航天构件一般具有结构复杂，产品定制化，无法进行破坏试验等特点。对于金属3D打印材料，其抗拉强度是指在拉伸载荷作用下，材料的最大承载能力，也是衡量材料抗拉性能的重要指标。在工业应用中，往往需要使用高强度的金属零件来满足一些极端的工作条件，例如在化工、医疗、航空航天等领域中，需要零件具有较高的强度。屈服强度是指材料在受到外力作用下开始产生塑性变形的应力值。伸长率是指材料在受到外力作用下发生塑性变形时，材料的长度增加的程度。3D打印材料的屈服强度和伸长率是衡量其性能的重要指标。对于飞航构件来说，通过实验和模拟分析获得其准确的力学性能，可以更加了解零件的特性和应用价值，特别是对于那些非规则形状金属3D打印的飞航构件来说，获取其力学性能是具有重大意义的。
通过增材制造技术制造金属零件时，其力学性能受到多种因素的影响，例如材料的粒度和制造工艺参数等。因此，在制造3D打印零件时，需要控制好增材制造工艺的参数，以获得较好的力学性能。此外，霍尔佩奇关系表征了材料的下屈服点与晶粒大小的关系，即在微米级尺度内，晶粒的尺寸越小，材料的强度越高。本发明可以针对非规则形状金属3D打印构件进行预测，即在相同的工艺参数组合下，获取其被测位置的金相照片，即可通过算法模型快速获得其力学性能参数。
专利(申请号202210572726.7)基于人工神经网络建立球形压痕中压痕轮廓快照与材料本构参数之间的关系，基于模拟退火算法获取人工神经网络超参数，利用单目标规划，获得被测试金属材料的塑性拉伸性能参数。这种方法预测准确率较低，抗拉强度预测准确率只有90.17％。且该专利中的预测模型输入参数未能充分表征影响力学性能的主要因素，由于预测方法受限，不适用于机械机构复杂的零件。
专利(申请号：202111261550.5)基于晶体塑性本构框架考虑金属材料中位错强化和细晶强化两种强化机制，建立考虑位错强化、细晶强化的晶体塑性本构模型，进而对金属材料力学性能进行预测。该方法最大的问题在于试验成本过高，要分别使用扫描电镜、电子背散射显微镜和光学显微镜进行多次的观察和测量，且会耗费巨大的人力成本和时间成本。且该专利并未列出具体实例说明预测准确率值，也没有和其他方法进行比对，未表明和验证该方法的可靠性。
发明内容
本发明的目的是解决上述问题，提供一种通过增材制造工艺参数和打印件的晶粒大小分布，进而预测打印件的力学性能参数，包括抗拉强度、屈服强度和伸长率。通过工艺参数与力学性能建立的预测模型，可以通过遍历算法，确定零件的最优工艺参数组合，指导零件的加工工艺参数选择的基于SVR和OpenCV的金属3D打印构件力学性能预测方法。
为解决上述技术问题，本发明的技术方案是：基于SVR和OpenCV的金属3D打印构件力学性能预测方法，包括以下步骤：
S1、选取增材制造工艺的关键性参数，设计多水平多因素的正交试验方案并进行制样；
S2、使用电子万能试验机测试正交试验中各组试样的力学性能，包括屈服强度、抗拉强度和伸长率；
S3、使用电子显微镜获得试样中间区域的金相图片；
S4、基于支持向量机回归算法(SVR)，搭建增材制造工艺参数与力学性能之间的预测模型；
S5、使用灰狼算法(GWO)优化支持向量机算法中的两个重要参数，即惩罚函数c和径向基函数参数g；
S6、建立GWO-SVR预测模型，将均方误差作为单一参数的优化目标进行参数优化，比对预测模型的预测值和实际值，验证模型的预测精度，并通过遍历算法，获取增材制造工艺的最优工艺参数组合；
S7、基于OpenCV图像处理技术，将各组正交试验样件的金相图片进行前处理、图像分割和图像统计，获得每张金相图片的晶粒大小范围分布；
S8、将晶粒大小范围分布作为输入参数添加到GWO-SVR预测模型的输入变量中，重新建立更高维输入参数的支持向量机预测模型；
S9、比对重新建立的GWO-SVR模型的预测值与实际值，验证模型的预测精度，使用通过遍历算法获得的最优工艺参数组合进行增材制造工艺制样，重新进行试验验证。
进一步地，所述步骤S1中的多水平多因素包括SLM工艺中关键性参数，激光功率，扫描速度和扫描间距。
进一步地，所述步骤S3使用电子显微镜之前，选取SLM样件的中间区域使用AB胶进行镶嵌，将样件使用抛光机进行细磨和抛光，使用酒精试剂清洗后，将腐蚀剂置于样本表面进行腐蚀，腐蚀剂选用王水，其配比为1:3的浓硝酸和浓盐酸试剂混合。
进一步地，所述步骤S3中的金相图片是在500x倍率的电子显微镜下进行拍摄得到。
进一步地，所述步骤S5中惩罚函数c和径向基函数参数g的上下界分别为0.01和100。
进一步地，所述步骤S6中将预测模型使用遍历算法快速计算，得出最优工艺参数组合激光功率为325W，扫描速度为892mm/s，扫描间距为0.16mm时，获得最优力学性能，预测工件的屈服强度为570MPa，抗拉强度为651MPa，伸长率为10.42％，使用电子万能试验机将最优工艺组合制造的样件进行拉伸试验，重复进行三次，最终的实际力学性能为屈服强度562MPa，抗拉强度643MPa，伸长率9.88％。
进一步地，所述步骤S7中基于OpenCV的图像处理技术，GWO-SVR模型的抗拉强度的预测准确率更高，由原先的92.32％到现在的98.26％，实现了对SLM工艺下力学性能的高精度预测。
进一步地，所述步骤S7中的OpenCV图像处理技术，二次开发可进行分割和统计金相图片的Python程序，包括以下分步骤：
S71、添加OpenCV代码库，调用不同的图像处理功能，如滤波，膨胀、腐蚀；
S72、将每个功能中的各个参数调至最优；
S73、首先导入cv2图像处理开发库，使用cv2.blur函数进行滤波操作，使用unsharp_mask函数进行锐化操作，使用cv2.erode函数进行腐蚀操作，使用cv2.dilate进行膨胀操作，使用color.label2rgb进行染色操作，完成所有图像前处理和图像分割操作；
S74、再使用measure.regionprops函数进行计算不同晶粒大小范围。
本发明的有益效果是：
1、本发明所提供的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，具有预测精度高，可预测非规则形状构件，试验成本低等优点。
2、本发明使用灰狼算法进一步优化了支持向量机模型的重要参数，并进行比较，使用OpenCV图像处理技术进行了图像分割和参数统计代替了如EBSD等成本高昂的试验，获取了需要的参数集合。现有的数学公式或模型无法表征工艺参数、晶粒大小分布与力学性能之间的关系。因此本发明通过建立使用灰狼算法优化的支持向量机预测模型，搭建了3D打印工艺参数、晶粒大小分布与力学性能之间的关系模型，为制备高力学性能的3D打印工件提供科学方法。
3、本发明研究了工艺参数、晶粒大小与力学性能之间的关系，与现有技术相比，本发明增加了预测模型的输入个数，输入变量从宏观和微观各有对应的参数表征；输入参数也不仅仅是单一的抗拉强度，而是把表征样件力学性能的指标，即屈服强度、抗拉强度和伸长率同时作为模型的输出变量。
4、本文使用了基于OpenCV的图像处理技术，编写Python脚本并调试各图像处理函数的参数，便于代码封装于系统或二次开发。
5、本发明探讨了金属加工件的微观结构与力学性能之间的联系，通过GWO-SVR算法和OpenCV图像处理技术搭建了多输入多输出的高精度力学性能预测模型。
6、本发明具有较高的可推广性，并不拘泥于单一的一种金属材料，更适用于多种增材制造工艺。经试验验证，GWO-SVR模型具有很高的鲁棒性和预测精度，可以快速的计算出最优工艺参数组合。为制备高力学性能的3D打印金属零件提供工艺指导。
附图说明
图1是本发明基于SVR和OpenCV的金属3D打印构件力学性能预测方法的整体技术路线图；
图2是本发明力学拉伸试样尺寸示意图；
图3是本发明GWO-SVR预测模型的技术路线图；
图4是本发明GWO-SVR算法模型的预测值与实际值对比图；
图5是本发明金相预处理过程演示图；
图6是本发明九组正交试验对应的金相大小范围统计图；
图7是本发明将晶粒大小分布增加到输入变量后重新建立的GWO-SVR算法模型输出的预测值和实际值对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明：
如图1到图7所示，本发明提供的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于，包括以下步骤：
S1、选取增材制造工艺的关键性参数，设计多水平多因素的正交试验方案并进行制样。
在步骤S1中的多水平多因素包括SLM工艺中关键性参数，激光功率，扫描速度和扫描间距。本实施例中以316L不锈钢和选择性激光熔融工艺(SLM)进行说明。
本发明选用颗粒尺寸在15～53μm的316L不锈钢粉末，其粉末成分如表1所示。选取SLM工艺中关键性参数，激光功率，扫描速度和扫描间距作为水平量，设计正交试验方案。拉伸试样的尺寸如图2所示。
表1 316L不锈钢粉末成分(质量分数，％)
| C | Si | Mn | S | P | Cr | Ni | Mo | Fe |
| 0.043 | 0.73 | 1.45 | 0.02 | 0.004 | 16.8 | 12.6 | 2.6 | 余量 |
S2、使用电子万能试验机测试正交试验中各组试样的力学性能，包括屈服强度、抗拉强度和伸长率。
使用电子万能试验机进行拉伸试验，将9组正交试验方案进行力学性能测试，包括屈服强度、抗拉强度和伸长率。正交试验表如表2所示，见表可知，第9组数据力学性能整体较好。
表2正交试验表
S3、使用电子显微镜获得试样中间区域的金相图片。
本步骤S3使用电子显微镜之前，选取SLM样件的中间区域使用AB胶进行镶嵌，将样件使用抛光机进行细磨和抛光，使用酒精试剂清洗后，将腐蚀剂置于样本表面进行腐蚀，腐蚀剂选用王水，其配比为1:3的浓硝酸和浓盐酸试剂混合。
样本经清洗后，使用电子显微镜观察9组正交试验金属样件中间区域的金相照片，每张照片均在500x倍率的电子显微镜下拍摄。
S4、基于支持向量机回归算法(SVR)，搭建增材制造工艺参数与力学性能之间的预测模型。
使用MATLAB软件建立GWO-SVR预测模型，灰狼算法优化支持向量机模型的技术路线如图3所示。技术路线将7组正交试验数据导入模型中进行训练。
S5、使用灰狼算法(GWO)优化支持向量机算法中的两个重要参数，即惩罚函数c和径向基函数参数g。
步骤S5中惩罚函数c和径向基函数参数g的上下界分别为0.01和100。
S6、建立GWO-SVR预测模型，将均方误差作为单一参数的优化目标进行参数优化，比对预测模型的预测值和实际值，验证模型的预测精度，并通过遍历算法，获取增材制造工艺的最优工艺参数组合。
狼群的数量设定为50，使用抗拉强度的误差值作为预测模型的准确度判断指标。其模型的预测值和实际值对比如图4所示。经过计算，GWO-SVR模型计算的抗拉强度准确率达到92.93％。其余力学性能参数预测误差统计如表3所示。将2种工艺参数组合带入模型中计算力学性能与实际值进行比较，其误差率分别为92.33％和93.26％，平均准确率达到92.80％。由图4可知，该模型的预测精度较好，且预测数据的波动趋势与实际值相同。
步骤S6中将预测模型使用遍历算法快速计算，得出最优工艺参数组合激光功率为325W，扫描速度为892mm/s，扫描间距为0.16mm时，获得最优力学性能，预测工件的屈服强度为570MPa，抗拉强度为651MPa，伸长率为10.42％，使用电子万能试验机将最优工艺组合制造的样件进行拉伸试验，重复进行三次，最终的实际力学性能为屈服强度562MPa，抗拉强度643MPa，伸长率9.88％。
表3GWO-SVR模型预测结果分析
S7、基于OpenCV图像处理技术，将各组正交试验样件的金相图片进行前处理、图像分割和图像统计，获得每张金相图片的晶粒大小范围分布。
步骤S7中基于OpenCV的图像处理技术，GWO-SVR模型的抗拉强度的预测准确率更高，由原先的92.32％到现在的98.26％，实现了对SLM工艺下力学性能的高精度预测。如图5所示，图5中的(a)表示灰度，(b)表示滤波，(c)表示锐化，(d)表示腐蚀，(e)表示膨胀，(f)表示染色。
步骤S7中的OpenCV图像处理技术，二次开发可进行分割和统计金相图片的Python程序，包括以下分步骤：
S71、添加OpenCV代码库，调用不同的图像处理功能，如滤波，膨胀、腐蚀。
S72、将每个功能中的各个参数调至最优。
S73、首先导入cv2图像处理开发库，使用cv2.blur函数进行滤波操作，使用unsharp_mask函数进行锐化操作，使用cv2.erode函数进行腐蚀操作，使用cv2.dilate进行膨胀操作，使用color.label2rgb进行染色操作，完成所有图像前处理和图像分割操作。
S74、再使用measure.regionprops函数进行计算不同晶粒大小范围。
在本实施例中，其9组正交试验晶粒大小分布统计如图6所示。
S8、将晶粒大小范围分布作为输入参数添加到GWO-SVR预测模型的输入变量中，重新建立更高维输入参数的支持向量机预测模型。
在本实施例中，优化参数后的模型变为6输入3输出的预测模型。重新使用新的工艺参数组合进行试验，实验结果如图7所示。基于OpenCV的图像处理技术，GWO-SVR模型的抗拉强度的预测准确率更高，由原先的92.32％到现在的98.26％，实现了对SLM工艺下力学性能的高精度预测。
S9、比对重新建立的GWO-SVR模型的预测值与实际值，验证模型的预测精度，使用通过遍历算法获得的最优工艺参数组合进行增材制造工艺制样，重新进行试验验证。
本发明综合考虑了不同工艺参数之间的耦合作用，能可靠地、准确地预测SLM制备金属样件的力学性能，从而进一步优化选区激光熔化制备工艺参数，能够有效缩短产品的工艺研发周期。
本发明的过程为：首先设计多水平多因素的正交试验，将正交试验各组工件进行力学性能试验，获得对应的屈服强度、抗拉强度和伸长率。将正交试验数据作为支持向量机预测模型的数据集。将相同工艺参数组合下的加工工件进行金相试验，获得工件中间区域的金相图片。将正交试验各组金相图片作为图像集，使用基于Python语言编写的OpenCV开发库进行图像分割与图像统计。将每张金相图片统计出的晶粒大小分布添加为支持向量机预测模型的输入参数，实现对3D打印制备金属工件力学性能的高精度预测。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于，包括以下步骤：
S1、选取增材制造工艺的关键性参数，设计多水平多因素的正交试验方案并进行制样；
S2、使用电子万能试验机测试正交试验中各组试样的力学性能，包括屈服强度、抗拉强度和伸长率；
S3、使用电子显微镜获得试样中间区域的金相图片；
S4、基于支持向量机回归算法(SVR)，搭建增材制造工艺参数与力学性能之间的预测模型；
S5、使用灰狼算法(GWO)优化支持向量机算法中的两个重要参数，即惩罚函数c和径向基函数参数g；
S6、建立GWO-SVR预测模型，将均方误差作为单一参数的优化目标进行参数优化，比对预测模型的预测值和实际值，验证模型的预测精度，并通过遍历算法，获取增材制造工艺的最优工艺参数组合；
S7、基于OpenCV图像处理技术，将各组正交试验样件的金相图片进行前处理、图像分割和图像统计，获得每张金相图片的晶粒大小范围分布；
S8、将晶粒大小范围分布作为输入参数添加到GWO-SVR预测模型的输入变量中，重新建立更高维输入参数的支持向量机预测模型；
S9、比对重新建立的GWO-SVR模型的预测值与实际值，验证模型的预测精度，使用通过遍历算法获得的最优工艺参数组合进行增材制造工艺制样，重新进行试验验证。
2.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S1中的多水平多因素包括SLM工艺中关键性参数，激光功率，扫描速度和扫描间距。
3.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S3使用电子显微镜之前，选取SLM样件的中间区域使用AB胶进行镶嵌，将样件使用抛光机进行细磨和抛光，使用酒精试剂清洗后，将腐蚀剂置于样本表面进行腐蚀，腐蚀剂选用王水，其配比为1:3的浓硝酸和浓盐酸试剂混合。
4.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S3中的金相图片是在500x倍率的电子显微镜下进行拍摄得到。
5.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S5中惩罚函数c和径向基函数参数g的上下界分别为0.01和100。
6.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S6中将预测模型使用遍历算法快速计算，得出最优工艺参数组合激光功率为325W，扫描速度为892mm/s，扫描间距为0.16mm时，获得最优力学性能，预测工件的屈服强度为570MPa，抗拉强度为651MPa，伸长率为10.42％，使用电子万能试验机将最优工艺组合制造的样件进行拉伸试验，重复进行三次，最终的实际力学性能为屈服强度562MPa，抗拉强度643MPa，伸长率9.88％。
7.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S7中基于OpenCV的图像处理技术，GWO-SVR模型的抗拉强度的预测准确率更高，由原先的92.32％到现在的98.26％，实现了对SLM工艺下力学性能的高精度预测。
8.根据权利要求1所述的基于SVR和OpenCV的金属3D打印构件力学性能预测方法，其特征在于：所述步骤S7中的OpenCV图像处理技术，二次开发可进行分割和统计金相图片的Python程序，包括以下分步骤：
S71、添加OpenCV代码库，调用不同的图像处理功能，如滤波，膨胀、腐蚀；
S72、将每个功能中的各个参数调至最优；
S73、首先导入cv2图像处理开发库，使用cv2.blur函数进行滤波操作，使用unsharp_mask函数进行锐化操作，使用cv2.erode函数进行腐蚀操作，使用cv2.dilate进行膨胀操作，使用color.label2rgb进行染色操作，完成所有图像前处理和图像分割操作；
S74、再使用measure.regionprops函数进行计算不同晶粒大小范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765272.XA CN116796641A (zh) | 2023-06-25 | 2023-06-25 | 基于SVR和OpenCV的金属3D打印构件力学性能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765272.XA CN116796641A (zh) | 2023-06-25 | 2023-06-25 | 基于SVR和OpenCV的金属3D打印构件力学性能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796641A true CN116796641A (zh) | 2023-09-22 |
Family
ID=88035980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310765272.XA Pending CN116796641A (zh) | 2023-06-25 | 2023-06-25 | 基于SVR和OpenCV的金属3D打印构件力学性能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796641A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350176A (zh) * | 2023-12-05 | 2024-01-05 | 深圳三思纵横科技股份有限公司 | 一种基于万能试验机的自动过流保护方法及装置 |
-
2023
- 2023-06-25 CN CN202310765272.XA patent/CN116796641A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350176A (zh) * | 2023-12-05 | 2024-01-05 | 深圳三思纵横科技股份有限公司 | 一种基于万能试验机的自动过流保护方法及装置 |
| CN117350176B (zh) * | 2023-12-05 | 2024-03-22 | 深圳三思纵横科技股份有限公司 | 一种基于万能试验机的自动过流保护方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamal et al. | Advances in fatigue life modeling: A review | |
| CN108931448B (zh) | 一种高铬钢材料热力学响应及疲劳-蠕变损伤的预测方法 | |
| CN109933925B (zh) | 一种金属板材的冲压成形性能预测方法 | |
| CN116796641A (zh) | 基于SVR和OpenCV的金属3D打印构件力学性能预测方法 | |
| Defaisse et al. | Ductile fracture of an ultra-high strength steel under low to moderate stress triaxiality | |
| CN109388878A (zh) | 一种综合考虑喷丸强化效果的疲劳寿命预测方法 | |
| CN113673030B (zh) | 一种金属材料韧性断裂耦合失效仿真分析方法 | |
| Liu et al. | True stress-strain curve extraction from ion-irradiated materials via small tensile, small punch and nanoindentation tests: method development and accuracy/consistency verification | |
| CN111678821A (zh) | 基于高温合金加工表面完整性的低周疲劳寿命预测方法 | |
| CN115415542A (zh) | 基于响应面法的双相不锈钢3d打印件性能的预测方法 | |
| Hou et al. | A novel development of bi-level reduced surrogate model to predict ductile fracture behaviors | |
| Vanegas-Márquez et al. | A simple approach for the modeling of an ODS steel mechanical behavior in pilgering conditions | |
| Chen | Numerical Solution of Thin-walled Tube Bending Springback with Exponential Hardening Law. | |
| Chen et al. | Hot deformation behaviour and Hansel-Spittel constitutive model of Cr5 alloy for heavy backup roll | |
| Toros et al. | The Effects of Material Thickness and Deformation Speed on Springback Behavior of DP600 Steel | |
| Foletti et al. | Characterization of the behavior of a turbine rotor steel by inverse analysis on the small punch test | |
| CN112926234A (zh) | 一种金属材料的高温拉伸测试及高温流变损伤模型构建方法 | |
| Adenan et al. | Chained simulation of the welding-forming process in analysing press force and geometrical deformation using non-linear numerical computation with experimental validation | |
| Hu et al. | Comparison of explicit and implicit finite element methods in the quasistatic simulation of uniaxial tension | |
| Wu et al. | Ductility anisotropy induced by ferrite in direct laser deposited 17-4 PH steel: combined microstructure and dislocation density simulation | |
| Moreira et al. | On the Correlation between Fatigue Behaviour and the Multiphase Microstructure of a Super Duplex Stainless Steel | |
| CN115062504B (zh) | 一种模拟计算任意双相不锈钢显微组织磁导率的方法 | |
| US20240094103A1 (en) | Mechanical testing of sample materials | |
| CN112818479B (zh) | 一种有限元子模型边界条件加载方法 | |
| Chen et al. | Fatigue Life Prediction of Aluminum Alloys Based on Surface and Internal Defects |
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 |