基于机器学习方法预测LPBF增材制造AlSi10Mg合金磨损行为的数据驱动研究

《Scientific Reports》：Microstructural characterization and data-driven wear modelling of LPBF AlSi10Mg based on pin-on-disc studies

　　

摘要

AlSi10Mg 优异的强度重量比引起了国防、汽车和航空航天行业的极大兴趣。优化材料性能和提高部件可靠性需要准确预测各种工况下的磨损行为。本研究采用数据驱动方法，对通过激光粉末床熔融 (LPBF) 增材制造的 AlSi10Mg 的磨损损失进行建模和预测。基于 L16 实验设计，共评估了 16 个实验样品，将施加载荷、滑动距离和滑动速度作为主要测试变量。测量的摩擦学响应包括磨损率、摩擦系数 (COF) 和摩擦力。为了评估材料的摩擦学性能，在不同载荷、滑动速度和滑动距离下进行了销盘式磨损试验。磨损测试前后进行了微观结构表征，包括孔隙率和晶粒度分析，以研究材料结构与磨损行为之间的关系。随后，使用实验记录的磨损损失数据，开发并比较了基于线性回归、支持向量回归 (SVR)、随机森林、梯度提升、高斯过程、决策树、极限梯度提升 (XGBoost)、人工神经网络 (ANN) 和 K 近邻 (KNN) 的机器学习模型。机器学习分析采用了 80:20 的训练 - 测试划分，所开发的模型专门用于根据实验输入变量预测磨损损失/磨损率。这种结合实验、微观结构和数据驱动的方法为理解 LPBF 制造的 AlSi10Mg 的磨损行为提供了有益见解。梯度提升和高斯过程表现出了良好的预测性能，而 16 组实验的 L16 数据集结果突显了机器学习在初步磨损预测方面的潜力。进一步的实验数据可支持开发更加稳健且具有泛化能力的预测模型。