激光粉末床熔融中从二维图像重构三维熔池:通过模拟实现增强的智能原位监测
《Additive Manufacturing》:Reconstructing 3D melt pools from 2D images in laser powder bed fusion: Augmented intelligent in situ monitoring through simulations
【字体:
大
中
小
】
时间:2026年09月20日
来源:Additive Manufacturing 11.3
编辑推荐:
**摘要**
在金属增材制造(AM)中,原位监测技术利用光学相机和光电二极管记录熔池的表面行为并分析其波动以反映工艺状态。然而,这些原位监测系统无法观测到子表面三维几何结构和缺陷。监测的表面数据与子表面行为之间的脱节阻碍了实时质量保证。我们通过一种仿真增强的数据驱动框架弥补
**摘要**在金属增材制造(AM)中,原位监测技术利用光学相机和光电二极管记录熔池的表面行为并分析其波动以反映工艺状态。然而,这些原位监测系统无法观测到子表面三维几何结构和缺陷。监测的表面数据与子表面行为之间的脱节阻碍了实时质量保证。我们通过一种仿真增强的数据驱动框架弥补了这一空白,该框架能从二维相机图像推断三维熔池几何形态,且不将工艺参数作为其训练数据。通过将模型在适当的特征工程加持下的高保真计算流体力学仿真上进行训练,我们建立了表面热特性与响应实时温度波动的熔池形态之间的复杂映射关系。该方法已通过实验数据得到充分验证,展示了从原位视频中快速重建整个熔池三维结构的能力。重要的是,当前实现已在个人计算机上提供了亚10毫秒的工艺参数无关预测,显示出巨大的未来部署潜力。本研究为实时检测子表面缺陷提供了一种实用方案,可扩展至其他制造工艺,并为智能在线工艺控制以及增材制造中高保真数字孪生的实际实施铺平了道路。**引言**激光粉末床熔融(LPBF)过程中的许多缺陷源于熔池的不稳定性和几何形状变化。熔池破裂、匙孔尖端不稳定性、熔池飞溅物以及熔池搭接不足等现象已被证实会导致未熔合气孔、匙孔诱导气孔和表面粗糙度增加,从而导致零件质量下降。这些机理过程已通过同步加速器X射线成像实验和高保真仿真得到阐明,使得可以制定系统性地减少气孔生成的策略。尽管取得了上述进展,熔池行为本质上是动态的,并且对加工过程中的微小偏差高度敏感,这导致了看似随机的缺陷和波动的零件质量。即使在相同设备上以相同参数反复制造试样,力学性能也可能出现高达14%的变异。在同一次构建过程中,振镜驱动的光学系统在整个250 mm × 250 mm构建板面积上引入了高达±1.6 mm的系统性离焦,导致激光束半径出现约10%的变化。这些变化可导致熔池深度差异高达20%,飞溅物体积增加40%。此外,激光-羽流和激光-飞溅物相互作用会削弱能量吸收,即使激光功率偏差仅5%就足以引起熔池深度和宽度10%的变化。因此,波动的加工条件导致熔池行为持续变化,并因动态热条件、材料变异性、设备漂移和人为因素而进一步加剧。为了解决这一问题,原位熔池监测已成为提高增材制造工艺可靠性和鲁棒性的重要工具。早在2007年,基于光电二极管和相机对熔池感知进行自适应反馈控制的可行性已得到验证,用于减轻悬空结构的过热问题,而更近期的进展已利用熔池信号实现了近实时的参数调节。这些系统通常利用光学相机、热成像和光电二极管来捕获实时二维表面数据和信号,如熔池宽度和长度、表面温度、飞溅物特征和轨迹,以及局部激光离焦。通过将表面信号与熔池和表面特性的后处理表征进行关联,可以估计异常位置。因此,可以通过卷积神经网络进行气孔定位生成气孔的三维分布图、多模态传感器数据的无监督机器学习、熔池和飞溅物区域的图像分割,以及双光电二极管系统的信号处理。然而,虽然这些信号在识别异常方面是有效的,但将其转化为具有物理意义的子表面熔池形态仍然是一个关键挑战。大多数方法本质上局限于表面级二维数据,无法揭示大多数缺陷(如匙孔气孔和未熔合气孔)形成的子表面行为。虽然同步加速器X射线成像可以直观地观察这一行为,但其成本过高,不适合工业部署。绕过这一问题的一种方法是直接将传感器信号与X射线成像中测得的吸热率和熔池形态进行关联。然而,这种方法无法解决缺陷的形态问题,而这对于原位修复至关重要。基于物理的模型提供了一种潜在的桥梁来充当数字孪生,但现有模型通常在速度和精度之间存在权衡。半解析或简化的热传导模型(如Rosenthal模型或基于Goldak热源模型的有限元模型)可提供快速估计,但缺乏捕捉瞬态波动的保真度。相反,高保真模型提供了高度精确的预测,但其计算成本对于实时应用来说仍然过高。此外,现有的数据驱动方法仍有限。一些从传感器信号预测最大熔池深度的模型不提供熔池搭接特性,因为它们不对几何形态进行评估。近期的研究已将深度预测扩展到瞬态三维熔池重建。Liao等人使用基于热传导仿真生成的合成同轴图像训练的U-Net重建了瞬态三维熔池几何形态,而Ogoke等人则展示了从表面温度图像结合激光功率和扫描速度作为显式输入进行瞬态重建的能力。这些研究共同建立了瞬态三维重建的可行性,并为这类数据驱动模型的实用部署奠定了基础。总体而言,我们确定了有效原位预测模型所需的三项关键能力:(i)**对实时热波动的参数无关响应**,因为加工条件可能在打印过程中发生变化,例如由于羽流和飞溅物影响导致的能量吸收波动;(ii)**精确的三维形状预测**(超越深度和宽度),这是准确诊断缺陷尺寸、位置和形状所必需的;以及(iii)**低延迟**(与数据采集时间匹配),这是实现实时闭环控制所必需的。在此,我们提出了一种框架,通过利用高保真模型和机器学习来增强光学和热传感器数据,实现了上述三项能力。我们的框架能够在10毫秒内从二维传感器数据实现参数无关的三维熔池形态预测,这是实现在线实时预测的关键要求。如第二节所述,我们利用高保真模型,通过适当的特征工程训练了一个卷积神经网络模型,将熔池表面与熔池深度关联起来。随后我们在第三节中证明,该模型可以直接处理原位高速相机图像,提供实时三维熔池形态,并通过实验验证了所获得的横截面形状。通过这项工作,我们证明了一种从高保真仿真数据训练的数据驱动模型是获取加工过程中熔池实时三维形态及其搭接情况的可行方法。该能力促进了数字孪生的实现,可用于提供在线实时缺陷检测和修复,以及后续的零件认证和资质评定。**章节摘要****数据驱动模型与特征集**我们利用提供表面和子表面热数据的三维高保真热流仿真,使我们能够将二维表面观测转化为三维熔池信息。通过计算流体力学(CFD)实现的高保真热流模型摘要见附录A,更多细节可参见我们之前的工作。仿真结果已通过与实验进行充分验证,从而为……提供了可靠的基准数据。**仿真对比下的预测精度**MLP模型在留一交叉验证和基线解析模型下的预测精度与高保真仿真数据(基准数据)进行了评估。结果表明,随着更多信息丰富特征的增加,精度呈现出强烈且积极的提升,平均交并比从使用解析解时的0.511提升到仅使用位置和表面温度输入(特征集I)时的0.679,再到包含邻近点后(特征集II)的0.704,最终在使用……时达到0.760。**结论**综上所述,我们开发了一种工艺参数无关的数据驱动方法,能够准确且快速地从不二维原位图像重建三维熔池几何形态。通过在高分辨率仿真数据集上训练机器学习模型,我们的方法能够在不要求工艺参数作为输入的情况下实现近实时的熔池形状预测。该能力使得在LPBF过程中进行原位熔池监测和智能诊断成为可能,可以显著增强打印质量。**CRediT作者贡献声明****刘一鸣**:撰写——初稿、可视化、验证、软件、方法论、形式化分析、概念构思。**蔡鸿毅**:撰写——初稿、可视化、验证、软件、方法论、形式化分析、概念构思。**杨卓**:撰写——审稿与编辑、方法论、调查、形式化分析。**黄睿**:方法论。**陆炎**:调查。**余浩**:调查。**Lane Brandon**:调查。**张浩林**:调查。**赵夏云**:调查。**Wentao**……**利益冲突声明**作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。**致谢**刘一鸣感谢**新加坡国立大学整合科学与工程计划项下的校长研究生奖学金**提供的财政支持。Yan Wentao感谢**新加坡科学技术研究局(A*STAR)**在其**独立研究项目**(M24N7c0082)框架下提供的资金支持。刘一鸣|蔡鸿毅|杨卓|黄睿|陆炎|余浩|Lane Brandon|张浩林|赵夏云|Yan Wentao
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号