基于物理约束神经网络的激光定向能量沉积DD6单晶超合金定向生长比例预测

《3D Printing and Additive Manufacturing》：Prediction of Directional Growth Proportion in Laser-Directed Energy Deposition of DD6 Single-Crystal Superalloy Based on Physically Constrained Neural Networks

　　

摘要

在激光定向能量沉积（L-DED）过程中，准确预测单晶超合金的生长方向比例仍然是一个重大挑战，这主要是由于难以控制生长方向行为以及小样本数据的局限性。为此，本文提出了一种集成异常值识别和物理约束的神经网络预测方法。首先，基于75组L-DED实验特征数据和有限元仿真数据，构建了一个包含了加工参数、线能量密度、温度梯度$G,?$和凝固速率$R$的预测数据集。随后，使用DBSCAN算法进行异常值识别和去噪，并构建了一个基于$G/R$与生长方向比例之间物理关联的BP神经网络，以提高模型的物理一致性和泛化能力。结果表明，数据去噪后，支持向量回归和随机森林等算法的预测精度得到了提高。其中，基于物理约束的BP神经网络表现出最佳性能，其测试集的准确率从0.776提高到了0.864。$R^2$。这种方法可以为单晶超合金的增材制造中调控晶体生长方向提供一个有效的预测工具。

获取本文的完整访问权限

查看本文的所有访问和购买选项。

获取访问权限