復雜高強度金屬晶格結構激光增材制造的工藝-結構-性能多目標逆向優化
時間：2024-01-31 09:09 來源：增材制造碩博聯盟 作者：admin 閱讀：次
增材制造（AM）已成為制造輕質高強度金屬晶格結構的實用解決方案。工藝-結構參數的逆向優化以實現高性能和最小化試錯實驗提出了持續的挑戰。南京航空航天大學顧冬冬教授團隊在國際頂級期刊《Virtual
and Physical
Prototyping》上發表了使用物理增強數據驅動方法進行晶格結構增材制造的工藝-結構多目標逆向優化的最新研究成果。
研究提出了一種逆向優化方法來應對多個相互沖突的性能目標，包括增材制造約束下的機械性能和輕量化程度。為了追求更高的精度，開發了一種物理增強的數據驅動算法，即編碼-剛度分析多任務高斯過程回歸（encoding-stiffness-analysis multi-task Gaussian process regression, emGPR)），以精確分析工藝結構參數如何影響增材制造晶格結構的特性。關注公眾號: 增材制造碩博聯盟，免費獲取海量增材資料，聚焦增材制造研究與工程應用！
作為一種新興的增材制造機器學習方法，物理增強數據驅動算法由于物理信息提供的可解釋性而表現出強大的擬合能力和外推性能。它已被用作多目標遺傳算法中的代理模型，有助于參數的有效設計和目標空間的擴展。值得注意的是，預測結果與實驗結果之間的偏差小于15%，有力地證實了該方法的可靠性。物理洞察力和數據驅動建模的融合為加速高效設計的開發帶來了巨大的希望。
該研究利用物理增強數據驅動算法將LPBF形成的BCC晶格結構的機械性能與其結構和工藝參數相關聯。這項工作提出了編碼剛度分析多任務高斯過程回歸（emGPR）算法，該算法使用基于物理的均質化理論來提高外推性能。將emGPR作為代理模型引入多目標遺傳算法（mGA）中，實現晶格結構輕量化和力學性能的逆優化。形成的實驗結果表明，emGPR-mGA方法有效優化了多目標力學性能。這項工作的結果可總結如下：
（1）SA壓縮曲線特征提取算法有效捕捉了壓縮過程的彈性階段，構建了低噪聲、高質量的數據集。
（2）與bsGPR相比，emGPR由于其物理先驗（均質化理論）和貝葉斯框架下的多任務協方差矩陣，表現出更好的抗噪聲能力和更強的泛化能力（訓練集K折交叉驗證的MSE來源小于0.004，測試集的R2最高可達0.985）。此外，emGPR具有更強的外推性能，可以通過置信區間分析獲得，受益于物理信息提供的可解釋性。
（3）emGPR-mGA方法可以有效實現LPBF晶格結構和工藝參數的逆優化，將多目標空間超體積增加3.2倍。此外，該方法還揭示了一個有趣的現象：LPBF形成的小泡孔結構，盡管由于粉末粘附而導致結構重量偏差較大，但在相同輕量化程度下，與大泡孔結構相比，具有更好的機械性能。
（4）emGPR-mGA逆優化方法可以輕松擴展到其他工藝結構設計系統，將與主動學習相結合，自動指導結構設計和LPBF參數選擇。這將顯著減少迭代周期和實驗成本，為未來LPBF工藝約束下復雜金屬晶格結構的逆向設計鋪平道路。
研究提出了一種逆向優化方法來應對多個相互沖突的性能目標，包括增材制造約束下的機械性能和輕量化程度。為了追求更高的精度，開發了一種物理增強的數據驅動算法，即編碼-剛度分析多任務高斯過程回歸（encoding-stiffness-analysis multi-task Gaussian process regression, emGPR)），以精確分析工藝結構參數如何影響增材制造晶格結構的特性。關注公眾號: 增材制造碩博聯盟，免費獲取海量增材資料，聚焦增材制造研究與工程應用！
圖1. emGPR-mGA
激光增材制造逆優化方法流程圖（encoding-stiffness-analysis multi-task Gaussian process
regression, emGPR; multi-objective genetic algorithm, mGA)
作為一種新興的增材制造機器學習方法，物理增強數據驅動算法由于物理信息提供的可解釋性而表現出強大的擬合能力和外推性能。它已被用作多目標遺傳算法中的代理模型，有助于參數的有效設計和目標空間的擴展。值得注意的是，預測結果與實驗結果之間的偏差小于15%，有力地證實了該方法的可靠性。物理洞察力和數據驅動建模的融合為加速高效設計的開發帶來了巨大的希望。
圖2. 晶格結構的設計與激光增材制造成形
圖3. (a)壓縮曲線特征提取示意圖；(b) NSGA-II算法示意圖；(c) MBB 梁的多尺度拓撲優化
圖4. (a)表征收斂性的SA算法的全局適應度曲線；(b) SA算法迭代過程中的局部適應度；(c)通過SA算法提取壓縮曲線特征
該研究利用物理增強數據驅動算法將LPBF形成的BCC晶格結構的機械性能與其結構和工藝參數相關聯。這項工作提出了編碼剛度分析多任務高斯過程回歸（emGPR）算法，該算法使用基于物理的均質化理論來提高外推性能。將emGPR作為代理模型引入多目標遺傳算法（mGA）中，實現晶格結構輕量化和力學性能的逆優化。形成的實驗結果表明，emGPR-mGA方法有效優化了多目標力學性能。這項工作的結果可總結如下：
（1）SA壓縮曲線特征提取算法有效捕捉了壓縮過程的彈性階段，構建了低噪聲、高質量的數據集。
（2）與bsGPR相比，emGPR由于其物理先驗（均質化理論）和貝葉斯框架下的多任務協方差矩陣，表現出更好的抗噪聲能力和更強的泛化能力（訓練集K折交叉驗證的MSE來源小于0.004，測試集的R2最高可達0.985）。此外，emGPR具有更強的外推性能，可以通過置信區間分析獲得，受益于物理信息提供的可解釋性。
（3）emGPR-mGA方法可以有效實現LPBF晶格結構和工藝參數的逆優化，將多目標空間超體積增加3.2倍。此外，該方法還揭示了一個有趣的現象：LPBF形成的小泡孔結構，盡管由于粉末粘附而導致結構重量偏差較大，但在相同輕量化程度下，與大泡孔結構相比，具有更好的機械性能。
（4）emGPR-mGA逆優化方法可以輕松擴展到其他工藝結構設計系統，將與主動學習相結合，自動指導結構設計和LPBF參數選擇。這將顯著減少迭代周期和實驗成本，為未來LPBF工藝約束下復雜金屬晶格結構的逆向設計鋪平道路。
(責任編輯：admin)
重磅：AI開源大風刮到自動
增材制造助力半導體產業：
非粉末床金屬增材制造綜述
生物3D打印載細胞微球治療
突破：特種鋼細粉收得率達
賦能綠色能源裝備長效運行最新內容
選區激光熔化增材
大型聚合物3D打印
6K Additive最新
如何打造增材制造
從實驗室走向生產
3D打印在口腔修復熱點內容
