.png){kind=icon}
返回
Machine learning–driven process parameter optimization in directed energy deposition: a multi-objective framework with experimental validation
.png){kind=icon}
OA
AI
DOI：10.1007/s00170-026-17560-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于激光的定向能量沉积（DED）工艺参数优化仍具挑战性，这是由于非线性相互作用影响了几何精度和力学性能。本研究提出了一种机器学习驱动的框架，该框架整合了人工神经网络（ANN）代理建模、进化多目标优化和多种方法敏感性分析，以提升DED工艺设计与决策。该框架通过1 kW激光系统将Inconel 718沉积到不锈钢基材上进行了实验验证。开展了两项案例研究：（i）焊道几何形状（宽度和稀释深度）的优化；（ii）针对尺寸精度和表面硬度的多层立方体制造。ANN模型基于实验设计生成的数据进行训练，并通过网格搜索优化其结构以降低预测误差并提高泛化能力。参数影响通过三种独立的敏感性分析方法进行量化，从而增强模型行为的透明度和可解释性。结果表明，激光功率显著影响焊道宽度和构建高度，而喷嘴速度和焊道间距则影响稀释和沉积均匀性。非支配排序遗传算法II（NSGA-II）识别出帕累托最优参数集，预测误差低于5%，包括尺寸误差低于3%和硬度偏差在3.5%以内。与以往的ANN-NSGA-II方法不同，本研究整合了经网格搜索优化的ANN，并应用三种互补的敏感性方法以提高模型可解释性和参数洞察力。该模块化和数据优化的方法显著减少了实验工作量，支持可解释的优化，并可推广至其他增材制造工艺。它为激光增材制造工艺参数设计提供了一种可扩展且智能的方法。
Keyword:
Additive manufacturing
Directed energy deposition
Process optimization
Artificial neural networks
Multi-Objective optimization
Sensitivity analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
T
IF:
0
论文数:
2.0K
被引数:
0
机构
引用论文
Multi-Objective Optimization of Process Parameters in Laser DED Ni-Based Powder on Steel Rail Using Response Surface Design基于响应面设计的激光DED镍基粉末在钢轨上加工工艺参数的多目标优化.png)
Coatings
OAAI
CoatingsIF0
OAAI分享收藏Research and application of machine learning for additive manufacturing面向增材制造的机器学习研究与应用ADDITIVE MANUFACTURINGOAAI
ADDITIVE MANUFACTURINGIF11.1
OAAI分享收藏Neural Network-Based Multi-Objective Optimization of Adjustable Drawbead Movement for Deep Drawing of Tailor-Welded BlanksMATERIALSOAAI
MATERIALSIF3.2
OAAI分享收藏Direct laser metal deposition (DLMD) additive manufacturing (AM) of Inconel 718 superalloy: Elemental, microstructural and physical properties evaluationOptikOAAI
OptikIF0
OAAI分享收藏
查看更多内容