.png){kind=icon}
返回
Laser cladding substrate distortion prediction based on temperature characteristics
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-025-16950-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
与激光熔覆技术相关的热力学过程往往导致基材内部产生不均匀的热应力分布，进而引起基材变形。此类变形会显著影响后续部件的装配精度和功能性能。因此，准确预测基材变形行为对于优化工艺参数、提高生产效率以及拓宽激光熔覆技术的工业应用范围至关重要。本研究系统分析了激光熔覆过程中基材上表面各区域的温度场分布特征。深入研究了激光功率、扫描速度和粉末进给速率等关键工艺参数对基材温度及端部翘曲变形的影响。基于上述分析，利用长短期记忆（LSTM）神经网络开发了一种新型的基材变形预测模型。该模型将沉积层的初始点温度和基材端部变形的工艺数据作为输入特征，以时间T+N处的变形数据作为预测输出。对比评估了有无温度特征输入的LSTM网络的预测性能，结果表明，加入温度数据将模型预测误差从3.7%显著降低至0.01%，大幅提高了预测精度。这些发现为激光熔覆过程的智能控制与优化提供了坚实的理论基础和技术框架。
Keyword:
Laser cladding
Substrate distortion
Temperature
Predictive distortion
LSTM
期刊
T
IF:
0
论文数:
2.0K
被引数:
0
机构
引用论文
Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network递归神经网络 (RNN) 和长短期记忆 (LSTM) 网络的基本原理
OAAI
OAAI分享收藏Deformation reduction in laser cladding of sheet metals by heat recycling薄金属激光熔覆中的变形减少通过热回收实现.png)
IF0
PREAI
分享收藏
A Concrete Dam Deformation Prediction Method Based on LSTM With Attention MechanismIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容