Daten

npj Computational Materials Band 8, Artikelnummer: 126 (2022) Diesen Artikel zitieren

3443 Zugriffe

8 Zitate

3 Altmetrisch

Details zu den Metriken

Bei der additiven Fertigung von Metallteilen ist die Fähigkeit, das extrem variable Temperaturfeld im Detail genau vorherzusagen und es quantitativ mit Struktur und Eigenschaften in Beziehung zu setzen, ein wichtiger Schritt bei der Vorhersage der Teileleistung und der Optimierung des Prozessdesigns. In dieser Arbeit wird eine Finite-Elemente-Simulation des Directed Energy Deposition (DED)-Prozesses verwendet, um das raum- und zeitabhängige Temperaturfeld während des mehrschichtigen Aufbauprozesses für Inconel 718-Wände vorherzusagen. Die Ergebnisse des thermischen Modells zeigen eine gute Übereinstimmung mit dynamischen Infrarotbildern, die während der DED-Bauten vor Ort aufgenommen wurden. Die Beziehung zwischen der vorhergesagten Abkühlgeschwindigkeit, den mikrostrukturellen Merkmalen und den mechanischen Eigenschaften wird untersucht, und es wurde festgestellt, dass die Abkühlgeschwindigkeit allein nicht ausreicht, um quantitative Eigenschaftsvorhersagen zu liefern. Da maschinelles Lernen eine effiziente Möglichkeit bietet, wichtige Merkmale aus Seriendaten zu identifizieren, wenden wir ein datengesteuertes 1D-Faltungs-Neuronales Netzwerk-Framework an, um automatisch die dominanten Vorhersagemerkmale aus dem simulierten Temperaturverlauf zu extrahieren. Mithilfe simulierter thermischer Verlaufsdaten lassen sich sehr gute Vorhersagen zu Materialeigenschaften, insbesondere zur Zugfestigkeit, erzielen. Um die Vorhersagen des Faltungs-Neuronalen Netzwerks weiter zu interpretieren, visualisieren wir die extrahierten Merkmale, die auf jeder Faltungsschicht erzeugt werden, und vergleichen die vom Faltungs-Neuronalen Netzwerk erkannten Merkmale thermischer Vorgeschichten für Fälle mit hoher und niedriger Zugfestigkeit. Ein wichtiges Ergebnis ist die Feststellung, dass thermische Vorgänge sowohl bei hohen als auch bei moderaten Temperaturen die Materialeigenschaften beeinflussen.

Metalladditive Fertigung (AM) ist eine Technologie, mit der Teile Schicht für Schicht aufgebaut werden können. Dies ermöglicht die Herstellung von Teilen mit komplexerer Geometrie und geringeren Kosten im Vergleich zu herkömmlichen Fertigungstechniken1,2. Directed Energy Deposition (DED) ist ein beliebtes additives Metallfertigungsverfahren3, bei dem Metallpulver durch eine oder mehrere Düsen4 abgegeben wird. Eine fokussierte Wärmequelle, beispielsweise ein Laser, wird verwendet, um das eingespritzte Metallmaterial lokal zu schmelzen. Die Teile werden nach und nach aufgebaut, indem jede Schicht gescannt und in einem vorgegebenen Muster geschmolzen wird.

Während des DED-Prozesses durchlaufen Teile aufgrund der Abscheidung mehrerer Schichten wiederholte thermische Heiz- und Kühlzyklen. Das resultierende komplexe Wärmefeld in Teilen hat sowohl während als auch nach der Erstarrung erhebliche Auswirkungen auf die endgültige Materialmikrostruktur und die mechanischen Eigenschaften, wie z. B. Streckgrenze, Streckgrenze, Zugfestigkeit (UTS) und Bruchspannung5,6,7. Es ist jedoch zeitaufwändig und teuer, DED-Experimente durchzuführen, um Prozessparameter und Werkzeugwege für eine bestimmte Geometrie zu optimieren und Teile mit guten mechanischen Eigenschaften zu erhalten. Computermodelle können ein effizienter Ansatz sein, um Temperaturverläufe von Teilen zu ermitteln, die mit der Mikrostruktur und den mechanischen Eigenschaften in Zusammenhang gebracht werden können.

Um das thermische Feld vorherzusagen, haben viele Forscher die Finite-Elemente-Methode verwendet, um die Wärmegleichung zu lösen und das transiente Temperaturfeld in AM zu simulieren. Bei den meisten thermischen DED-Modellen geht die Randbedingung auf der Außenteiloberfläche von Konvektion mit einem konstanten Konvektionskoeffizienten8,9,10,11,12,13,14,15 aus. Allerdings beinhalten DED-Prozesse typischerweise einen erzwungenen Schutzgasstrom mit einer Strömungsgeschwindigkeit, die über der Teileoberfläche variiert; Daher wurde ein räumlich variierendes Konvektionskoeffizientenmodell vorgeschlagen, das anhand gemessener Thermoelementdaten kalibriert wurde und im Vergleich zu einem einheitlichen Konvektionskoeffizientenmodell eine bessere Übereinstimmung mit experimentellen Temperaturverläufen zeigte3.

Auch die Kalibrierung thermischer DED-Modelle stellt eine Herausforderung dar. Fast alle bisherigen kalibrierten thermischen Modelle für die Mehrschichtabscheidung basierten auf Thermoelementmessungen, die weit entfernt vom Laserpunkt durchgeführt wurden16,17,18. Aufgrund des extremen Temperaturbereichs und der sich ständig ändernden Geometrie ist es jedoch schwierig, die Temperatur im oder in der Nähe des Schmelzbadbereichs mit Thermoelementen direkt zu messen. Alternativ wurden von IR-Kameras gemessene dynamische Infrarotbilder (IR) zur Kalibrierung von Wärmemodellen verwendet19,20. Eine IR-Kamera kann die emittierte Wärmestrahlung an der Teileoberfläche, auch in der Nähe des Schmelzbades, erfassen und so eine Ergänzung zu Thermoelementdaten zur Kalibrierung und Validierung von Wärmemodellen bereitstellen19,20,21,22,23,24,25. Beispielsweise wurden IR-Bilder aufgenommen, um ein thermisches Modell einer sich bewegenden Wärmequelle für die induktionsunterstützte schweißbasierte additive Fertigung (WAM) zu verifizieren19. IR-Kameras wurden auch verwendet, um das thermische Modell für einen mehrschichtigen Gas-Metall-Lichtbogenschweißprozess (GMAW) in einem Durchgang zu kalibrieren26; Diese Arbeit untersuchte nur zwei Ablagerungsschichten und nicht ein vollständiges Modell im Teilmaßstab.

Nickelbasierte Legierungen wie Inconel 718 werden aufgrund ihrer hervorragenden Zugfestigkeit, Hochtemperaturstreckgrenze, Kriecheigenschaften und Korrosionsbeständigkeit häufig in AM-Anwendungen (z. B. Turbinenschaufeln und Brennkammern) eingesetzt6,27,28, 29,30. Es wurde festgestellt, dass die mechanischen Eigenschaften nicht nur von der Korngröße und der Ausrichtung der Mikrostruktur abhängen, sondern auch von der Ausscheidungsverteilung des Materials7,28. Beispielsweise handelt es sich bei Laves-Phasen um spröde Ausscheidungen in Inconel 718, die normalerweise während der Nb-Segregation in den Interdendritenbereichen bei der Erstarrung entstehen. Laves-Phasen können die mechanischen Eigenschaften des Materials verringern, wie z. B. eine Verringerung der Streckgrenze und des Elastizitätsmoduls für Inconel 71828. Die Mikrostruktur kann durch die chemische Zusammensetzung und die thermischen Bedingungen während des AM-Prozesses beeinflusst werden29. Daher ist es wichtig, die detaillierten Auswirkungen der thermischen Vorgeschichte auf die Mikrostruktur und die mechanischen Eigenschaften zu untersuchen.

Viele frühere Arbeiten verwenden die Abkühlgeschwindigkeit, um die Beziehung zwischen Temperatur, Mikrostruktur und Eigenschaften zu beschreiben. Forscher haben herausgefunden, dass die Abkühlgeschwindigkeit die Korngröße, den Dendritenarmabstand, die Mikroseigerung, die Niederschlagsbildung22,31,32, die Anisotropie, die Porosität und die Festigkeit21 beeinflusst. Hohe Abkühlraten können zu einer schnelleren Erstarrung führen, was zu einer feineren Mikrostruktur und verbesserten mechanischen Eigenschaften führt33. Weitaus weniger frühere Arbeiten untersuchen jedoch, ob die Abkühlgeschwindigkeit der einzige wichtige Faktor für die Mikrostruktur und die mechanischen Eigenschaften ist. Es wurde festgestellt, dass die Kombination von Wärmegradienten, Abkühlgeschwindigkeiten (die durchschnittliche Temperaturänderungsrate während der Erstarrung, in Temperatureinheiten pro Zeit) und Erstarrungsraten (die Geschwindigkeit der Erstarrungsfront, in Längeneinheiten pro Zeit) dies kann beeinflussen die Stabilität der Flüssigkeit-Fest-Grenzfläche und beeinflussen dann den Dendritenarmabstand und die endgültigen Eigenschaften30,34,35. Die komplexen thermischen Auswirkungen auf die Mikrostruktur und die mechanischen Eigenschaften sind jedoch nicht vollständig verstanden. Dies motiviert uns, eine Methode zu entwickeln, um automatisch Merkmale aus dem Temperaturverlauf zu extrahieren und den Zusammenhang zwischen thermischem Verlauf und mechanischen Eigenschaften zu untersuchen.

Techniken des maschinellen Lernens bieten eine effektive Möglichkeit, Informationen aus einem Signal oder einer Zeitreihe zu extrahieren. Beispielsweise kann ein Faltungs-Neuronales Netzwerk (CNN) lokale Muster aus Eingabedaten durch Faltungen ohne vorherige Merkmalsauswahl lernen36,37,38,39. CNNs waren in vielen Anwendungen äußerst erfolgreich, beispielsweise in der Spracherkennung, der Steuerung selbstfahrender Fahrzeuge und der Computer-Vision39,40,41. In jüngster Zeit wurden eindimensionale (1D) CNNs verwendet, um Merkmale aus 1D-Eingabedaten wie einem Herzsignal oder anderen Zeitreihendaten zu extrahieren40,41,42,43,44,45. CNNs können lokale Merkmale aus Rohdaten lernen und dann weitere globale und übergeordnete Merkmale in tieferen Faltungsschichten extrahieren40,42,46. Gemessene oder simulierte thermische Verlaufsdaten von DED-gebauten Teilen können als dynamische Zeitreihe betrachtet werden. Kürzlich wurde gezeigt, dass ein 2D-CNN verwendet werden kann, um den experimentell gemessenen thermischen Verlauf in AM mit Materialeigenschaften zu korrelieren47. Xie et al.47 verwendeten rohe, nicht kalibrierte IR-Messungen als thermische Vorgeschichte und wendeten eine Wavelet-Transformation an, um die IR-Signale in 2D-Wavelet-Skalogramme umzuwandeln. Anschließend wandten die Autoren ein 2D-CNN-Modell an, um UTS aus den 2D-Wavelet-Skalogrammen vorherzusagen, und verwendeten ein Random-Forest-Modell, um den Einfluss der Temperatur auf Eigenschaften zu analysieren. Die Verwendung experimentell gemessener IR-Daten in datengesteuerten Modellen ist jedoch restriktiv; Genaue IR-Messungen erfordern eine sorgfältige Kalibrierung des Emissionsvermögens des Materials und können nur an Oberflächen erfasst werden, was IR-Messungen bei komplexen Geometrien schwierig oder unmöglich macht. Anstatt Messungen als Eingabe für unser datengesteuertes Modell zu verwenden, entwickeln wir in der aktuellen Arbeit ein validiertes thermisches Modell, um thermische Vorgeschichten vorherzusagen. Wir wenden ein 1D-CNN-Modell an, um automatisch Merkmale aus dem simulierten Temperaturverlauf zu extrahieren und mechanische Eigenschaften vorherzusagen. Da von CNNs entdeckte Korrelationen schwer zu interpretieren sein können46,48,49, visualisieren wir in dieser Arbeit die dazwischenliegenden Faltungsschichten und vergleichen die extrahierten Merkmale ganzer thermischer Historien mithilfe von CNNs für Fälle mit hohem und niedrigem UTS. Das vorgeschlagene datengesteuerte Framework kann dabei helfen, thermische Effekte auf mechanische Eigenschaften zu untersuchen und das Verständnis der zugrunde liegenden Physik im Prozess zu verbessern.

In dieser Arbeit wird eine Kombination des validierten rechnerischen thermischen Modells zusammen mit einer datengesteuerten Methode basierend auf einem 1D-CNN entwickelt, um den Prozess genau zu simulieren und die gesamte zeitabhängige Temperaturkurve zu verwenden, um mechanische Eigenschaften im gesamten Endteil vorherzusagen . Die Übersicht über das datengesteuerte Modellgerüst ist in Abb. 1 dargestellt. Zunächst verwenden wir ein thermisches Modell basierend auf der Finite-Elemente-Methode mit räumlich variierender Oberflächenkonvektion für den DED-Mehrschichtaufbauprozess aus Inconel 718-Material. Es werden drei Fälle mit unterschiedlichen Domänengrößen und Verweilzeiten untersucht. Das thermische Modell wird anhand von IR-Bildern aus In-situ-DED-Experimenten validiert. Für ausgewählte Materialproben werden außerdem Mikrostrukturcharakterisierungen und Zugversuche durchgeführt. Anschließend wird ein 1D-CNN verwendet, um Merkmale aus simulierten thermischen Verläufen zu extrahieren, um mechanische Eigenschaften vorherzusagen. Der Zusammenhang zwischen thermischer Geschichte, Mikrostruktur und mechanischen Eigenschaften wird untersucht und diskutiert. Um den physikalischen Mechanismus besser zu verstehen, visualisieren wir die extrahierten Merkmale aus dazwischenliegenden Faltungsschichten, um die Korrelation zwischen thermischen Vorgeschichten und Eigenschaften zu interpretieren. Wir analysieren den Unterschied in den von CNN erkannten Merkmalen zwischen mehreren Fällen mit hoher und niedriger UTS, um den Beitrag der thermischen Vorgeschichte zu verschiedenen UTS zu untersuchen. Diese Arbeit zeigt eine effiziente Möglichkeit, den thermischen Verlauf der DED-Abscheidung zu simulieren, Eigenschaften aus einem solchen thermischen Verlauf durch 1D-CNN vorherzusagen und das Verständnis thermischer Auswirkungen auf die Erstarrung und die mechanischen Eigenschaften zu verbessern.

Das 1D-Faltungs-Neuronale Netzwerk wird verwendet, um mechanische Eigenschaften aus der simulierten thermischen Vorgeschichte vorherzusagen. Die simulierten thermischen Prozessdaten, die Mikrostruktur und die gemessenen mechanischen Eigenschaften werden auf die Beziehung zwischen Prozess, Struktur und Eigenschaften (PSP) analysiert.

In dieser Arbeit werden drei Fälle dünnwandiger, mehrschichtiger Abscheidungen während des DED-Prozesses mithilfe des rechnerischen thermischen Modells simuliert (siehe Abschnitt „Methoden“). Bei den drei Fällen handelt es sich um 80-mm-Wände mit einer Verweilzeit von 0 s (Fall A), 120-mm-Wände mit einer Verweilzeit von 0 s (Fall B) und 120-mm-Wände mit einer Verweilzeit zwischen den Schichten von 5 s (Fall C). Weitere Einzelheiten zu den drei Fällen sind in der Ergänzungstabelle 1 aufgeführt. Das Schema des DED-Prozesses ist in der Ergänzungstabelle 1a dargestellt. Der in der Simulation und im Experiment verwendete bidirektionale Werkzeugweg ist in der ergänzenden Abbildung 1b dargestellt. Für die Simulation ist die Geometrie des Rechenbereichs und der Netze in der ergänzenden Abbildung 1c dargestellt. Der obere Teil der Domäne ist die dünne Wand aus Inconel 718, während der untere Teil das Substrat aus Edelstahl 304 ist. Weitere Prozessparameter und thermisch-physikalische Eigenschaften des Materials Inconel 718 und des Substratmaterials Edelstahl 304 sind in den Ergänzungstabellen 2, 3 und 4 aufgeführt.

Das Modell berechnet die Temperatur als Funktion von Zeit und Raum. Für jeden einzelnen Sondenpunkt wird in jedem Zeitschritt ein detaillierter Temperaturverlauf ausgegeben. Um den Zusammenhang zwischen thermischer Vorgeschichte und mechanischen Eigenschaften zu untersuchen, wählen wir die Sondenpunkte in der Simulation an denselben Orten wie die experimentellen Zugtestproben. Eine weitere Nachbearbeitung der Temperaturlösungen liefert zusätzliche Daten für die Analyse (siehe „Methoden“). Das vorgeschlagene Rechenmodell kann den thermischen Verlauf, die Abkühlgeschwindigkeit und die Erstarrungsrate effizient bereitstellen, um die Korrelation zwischen thermischen Daten, Mikrostruktur und mechanischen Eigenschaften weiter zu untersuchen.

Die Parameter im räumlich variierenden Wärmekonvektionsmodell, die Laserabsorptionseffizienz und die Emissionsgradwerte im Modell werden mithilfe der von der IR-Kamera im Experiment gemessenen thermischen Vorgeschichte kalibriert. Abbildung 2 zeigt die von den kalibrierten Rechenmodellen vorhergesagten Temperaturverläufe im Vergleich zu Experimenten für die Fälle A, B und C. Die Positionen der Punkte 3 bis 8 für Fall A und 1 bis 12 für die Fälle B und C sind in den ergänzenden Abbildungen 1d und e gekennzeichnet.

a–c Fall A, 8 Probenstandorte. d–g Fall B, 12 Probenstandorte. h–k Fall C, 12 Probenstandorte. Zur Verdeutlichung ist in der ergänzenden Abbildung 2 eine vergrößerte Ansicht von h dargestellt. Punktpositionen sind in den ergänzenden Abbildungen 1d und e gekennzeichnet.

Die Ergebnisse zeigen, dass der vorhergesagte thermische Verlauf für die meisten Probenstandorte gut mit den experimentellen Ergebnissen übereinstimmt. Abb. 2a zeigt beispielsweise einen Vergleich der thermischen Verläufe aus Simulationen (durchgezogene Linien) und experimentellen IR-Kameradaten (gestrichelte Linien) für die Punkte 1, 2 und 3 in Fall A während des DED-Prozesses. Die Anfangstemperatur ist die Umgebungstemperatur von 295 K. Bei etwa 200 s steigt die Temperatur von Punkt 1 an, wenn der Laser beginnt, an dieser Stelle zu scannen.

Allerdings gibt es während dieses anfänglichen Anstiegs einige Abweichungen zwischen den simulierten und den gemessenen Daten. Die gemessene Temperatur steigt langsamer an als die Simulation und überschreitet insbesondere nicht die Solidustemperatur des Materials (1533 K), was falsch ist. Darüber hinaus erscheint in den IR-Bildern in den ergänzenden Abbildungen 1d und e die obere Oberfläche, insbesondere das Schmelzbad direkt unter der Laserquelle, kühler als einige der zuvor aufgebauten Schichten. Dieses Versäumnis, die Temperatur des geschmolzenen Materials zu messen, wird auf den unterschiedlichen Emissionsgrad zwischen der flüssigen und der festen Phase des Materials zurückgeführt26. Der Emissionsgrad flüssiger Metalllegierungen ist viel geringer als der von festen Metalllegierungen, was zu fälschlicherweise niedrigen Temperaturmessungen im Schmelzbad führt. Daher gelten die simulierten Temperaturen nahe und oberhalb der Solidustemperatur als zuverlässiger als experimentelle Daten. Um die Genauigkeit der gemessenen Temperatur zu verbessern, sollten in Zukunft Methoden zur Kalibrierung des Emissionsgrads für flüssige und feste Metalllegierungen entwickelt werden. Die Simulationsgenauigkeit kann durch eine detailliertere Charakterisierung der tatsächlichen Randbedingungen des Teils, insbesondere der Wärmekonvektion über die gesamte Oberfläche, beeinträchtigt werden.

Nachdem die simulierte Temperatur unter die Solidustemperatur gesunken ist, stimmen die simulierten und experimentellen Kurven gut überein. Die schnelle Oszillation jeder Temperaturkurve wird durch die mehrfachen Durchgänge des Lasers verursacht, wenn zusätzliches Material hinzugefügt wird; Sowohl der Mittelwert als auch die Amplitude der Schwingungen nehmen mit zunehmender Höhe der Wand und zunehmender Materialmenge zwischen dem Punkt und dem Laserpunkt ab. Die Laserquelle wird in Abb. 2a etwa 615 s lang ausgeschaltet, danach nehmen sowohl die simulierte als auch die experimentelle Kurve schneller und monotoner ab. (Aufgrund der thermischen Diffusionszeit kommt es zu einer leichten Verzögerung beim Einsetzen des schnelleren Temperaturabfalls von etwa 5–10 s zwischen den einzelnen Punktreihen; diese Verzögerung ist in den Diagrammen aufgrund der Skala der Temperaturachsen schwer zu erkennen.) Die Abkühlungsrate während dieser letzten Phase wird hauptsächlich durch freie Konvektion und Strahlung an den Wand- und Substratoberflächen bestimmt. Die Trends der thermischen Geschichte sind in Abb. 2b – k ähnlich. Zur Verdeutlichung ist in der ergänzenden Abbildung 2 eine vergrößerte Ansicht der Temperaturkurve für Fall C mit den Positionen 1, 2 und 3 dargestellt.

Die Mikrostruktur von DED-Dünnwänden wird mit dem Rasterelektronenmikroskop (REM) beobachtet. Die REM-abgebildete Mikrostruktur für Proben aus der 80 mm dünnen Wand, der 120 mm dünnen Wand und der 120 mm dünnen Wand mit einer Verweilzeit von 5 s (Fälle A, B und C) ist in Abb. 3a – f dargestellt. Die Positionen für die untersuchten Punkte in den drei verschiedenen dünnwandigen Teilen sind (x, z) = (8,3, 34,6) mm, (15,0, 32,8) mm bzw. (15,1, 39,3) mm, wobei (x, Der Punkt z) = (0, 0) wird in den ergänzenden Abbildungen 1d und e als die untere linke Ecke dünner Wände verwendet. Die simulierte Temperatur wird in der Mitte durch die Dicke jeder Probenstelle aufgezeichnet. Mikrostruktur-REM-Proben werden aus der Seitenansicht (normal zur Scanrichtung, also der yz-Ebene) und der Draufsicht (normal zur Aufbaurichtung, also der xy-Ebene) abgebildet. Auf den REM-Bildern können wir die γ-Matrixphase, die Laves-Phasen und einige δ-Phasen (schwarze Punkte innerhalb der Laves-Phasen) erkennen. Es wird häufig beobachtet, dass Laves-Phasen an Korngrenzen ausfallen. Die δ-Phasen (Ni3Nb) fallen normalerweise entlang der Korngrenzen und innerhalb der intergranularen Matrix aus. Sowohl Laves-Phasen als auch δ-Phasen wirken sich nachteilig auf die mechanischen Eigenschaften aus50. Wir können auch die Bildung von Defekten in der Mikrostruktur beobachten, wie z. B. die in Abb. 3d gezeigten Poren. Die Bildung von Poren steht in engem Zusammenhang mit der thermischen Vorgeschichte und beeinflusst die mechanischen Eigenschaften des Teils. Mit der Bildverarbeitungssoftware ImageJ51 haben wir den Volumenanteil der Laves-Phasen und den primären Dendritenarmabstand für die Draufsicht und Seitenansicht der Mikrostrukturen in den drei dünnen Wänden berechnet, die in den Ergänzungstabellen 5 und 6 gezeigt sind.

Die stark vergrößerten Bilder a, b und c sind die Seitenansicht (normal zur Scanrichtung) der Proben aus den drei Fällen, während d, e und f die Draufsicht (normal zur Scanrichtung) zeigen. Die Positionen der untersuchten Punkte sind (x, z) = (8,3, 34,6) mm, (15, 32,8) mm und (15,1, 39,3) mm für Fall A, B bzw. C. Einige Original-REM-Bilder (a–c) sind aus Lit. abgedruckt. 74 mit Genehmigung von Elsevier. g Vergleich der berechneten Abkühlgeschwindigkeit, Mikrostruktur und mechanischen Eigenschaften verschiedener dünner Wände. Die Werte sind in der Ergänzungstabelle 5 tabellarisch aufgeführt und auf den Mittelwert der drei Fälle normalisiert. Die Fehlerbalken für den primären Dendritenarmabstand, UTS, Streckgrenze, Bruchspannung und Modul geben Standardabweichungen wiederholter Experimente an. Die Abkühlungsrate und die Volumenanteile der Laves-Phasen werden auf der Grundlage einer einzigen Simulation und Messung berechnet und es wird daher keine Standardabweichung angegeben. Die Maßstabsbalken in (a–f) betragen 40 μm.

Wir vergleichen Abkühlraten, Mikrostrukturmerkmale (Abstand der primären Dendritenarme und der Volumenanteil der Laves-Phasen) und experimentell gemessene mechanische Eigenschaften (UTS, Fließspannung, Bruchspannung und Modul) in der Ergänzungstabelle 5 für drei Fälle. Diese Werte sind in Abb. 3g dargestellt, normalisiert durch den Mittelwert über die drei Fälle. Der primäre Dendritenarmabstand wird durch Berechnung des Mittelwerts mehrerer primärer Dendritenarmabstände in den REM-Bildern in Abb. 3 gemessen. Die 80-mm-Wand (Fall A) weist den größten primären Dendritenarmabstand auf, während die 120-mm-Wand mit 5 s Verweilzeit (Fall C) hat die kleinste. Fehlerbalken basierend auf der Standardabweichung bei Messungen wiederholter Experimente sind ebenfalls in Abb. 3g dargestellt. Die Abkühlungsrate wird basierend auf der thermischen Vorgeschichte einer einzelnen Stelle an der Wand berechnet (siehe Methoden). Volumenanteile der Laves-Phasen werden basierend auf dem einzelnen REM-Bild der Probe berechnet. Aus der Abbildung können wir ersehen, dass Fall C mit der höchsten Abkühlrate die feinsten Körner und eine relativ hohe Festigkeit (UTS, Streckgrenze, Bruchspannung und Modul) aufweist, während Fall A mit der niedrigsten Abkühlrate gröbere Körner aufweist Körner und geringere Festigkeit. Wir können daraus schließen, dass eine Erhöhung der Zeit zwischen aufeinanderfolgenden Laserscans, sei es durch Vergrößerung der Wandgröße oder der Verweilzeit, die Abkühlgeschwindigkeit erhöht und zu feineren Mikrostrukturen und höherer Festigkeit führt.

Wir untersuchen auch Variationen in der Mikrostruktur und den Eigenschaften an verschiedenen Stellen in derselben Wand. Für Fall B sind in Abb. 4a–f Draufsichten und Seitenansichten der Mikrostruktur an drei verschiedenen Stellen abgebildet. Die Probenorte sind in der ergänzenden Abbildung 3 dargestellt. Punkt 1 liegt näher an der Oberseite der Wand, Punkt 8 in der Mitte und Punkt 12 weiter unten. Der Abstand der primären Dendritenarme und der Volumenanteil der Laves-Phasen werden aus den REM-Bildern in Abb. 4 über ImageJ berechnet und zusammen mit der Abkühlrate, der Streckgrenze, der UTS, der Versagensspannung und dem Modul in der Ergänzungstabelle 6 aufgeführt. Diese durch ihre Mittelwerte normierten Werte sind in Abb. 4g dargestellt. In den REM-Bildern sind in Abb. 4a–f einige kreisförmige (vermutlich kugelförmige) und unregelmäßige schwarze Poren zu sehen. Es wird erwartet, dass die Bildung sowohl kugelförmiger als auch unregelmäßiger Poren in hohem Maße mit der Temperaturgeschichte zusammenhängt, wie in unserer früheren Arbeit52 gezeigt wurde. Kugelförmige Poren können durch die Verdampfung von Metallelementen im Schmelzbad entstehen, meist wenn die Laserscangeschwindigkeit nicht hoch ist, während unregelmäßige Poren durch mangelnde Verschmelzung entstehen. Die Bildung von Poren führt zu einer Verringerung der tragenden Querschnittsfläche während des Zugversuchs, was in der Regel zu einer verringerten gemessenen Festigkeit führt53,54.

Die stark vergrößerten Bilder a, b und c sind Seitenansichten (normal zur Scanrichtung) der drei in der ergänzenden Abbildung 3 aufgeführten Orte. Die Bilder d, e und f zeigen Draufsichten (normal zur Baurichtung) derselben Standorte. g Vergleich der berechneten Abkühlungsrate, Mikrostruktur und mechanischen Eigenschaften verschiedener Stellen in der Wand für Fall B. Die Werte sind in der Ergänzungstabelle 6 aufgeführt, normalisiert durch den Mittelwert über die drei Stellen. Die Fehlerbalken für den primären Dendritenarmabstand, UTS, Streckgrenze, Bruchspannung und Modul geben Standardabweichungen wiederholter Experimente an. Die Abkühlungsrate und die Volumenanteile der Laves-Phasen werden auf der Grundlage einer einzigen Simulation und Messung berechnet und es wird daher keine Standardabweichung angegeben. Die Maßstabsbalken in (a–f) betragen 50 μm.

Aus Abb. 4g erkennen wir keinen klaren Zusammenhang zwischen Abkühlgeschwindigkeit, Mikrostruktur und mechanischen Eigenschaften. Die mittlere Stelle weist einen größeren primären Dendritenarmabstand auf als die obere und untere Probe. Von unten nach oben nimmt der Abstand der primären Dendritenarme allmählich zu, nimmt dann aber ab. Der gleiche Trend gilt für den Volumenanteil der Laves-Phasen und die mechanischen Eigenschaften. Die Abkühlgeschwindigkeit nimmt jedoch von oben nach unten an der Wand monoton ab, obwohl die Unterschiede in der Abkühlgeschwindigkeit zwischen den drei Standorten gering sind. Diese Ergebnisse deuten darauf hin, dass die Abkühlgeschwindigkeit allein nicht ausreicht, um mechanische Eigenschaften für verschiedene Stellen in einer Wand vorherzusagen. Möglicherweise sind weitere thermische Verlaufsmerkmale erforderlich, um Korrelationen zwischen Prozess- und mechanischen Eigenschaften zu entwickeln.

Die Beziehung zwischen dem gemessenen Abstand der primären Dendritenarme und der simulierten Abkühlungsrate für Proben aus verschiedenen Fällen und Standorten ist in Abb. 5a dargestellt. Der Abstand der primären Dendritenarme wird anhand der 12 SEM-Mikrostrukturbilder mit unterschiedlichen Positionen in verschiedenen Fällen gemessen. An den entsprechenden Standorten werden auch die simulierten Abkühlungsraten berechnet. Der Abstand der primären Dendritenarme, die simulierten Abkühlungsraten und die Positionen für die 12 Proben sind in der Ergänzungstabelle 7 aufgeführt. Die gepunktete Linie in Abb. 5a ist die lineare Anpassung an die Daten mit dem R2-Fehler von 0,81:

wobei λ1 der primäre Dendritenarmabstand (μm) und \(\dot{T}\) die Abkühlgeschwindigkeit (K s−1) ist. Die Ergebnisse deuten auf eine starke Korrelation zwischen dem Abstand der primären Dendritenarme und der Abkühlungsrate hin. Es zeigt, dass eine zunehmende Abkühlgeschwindigkeit zu kleineren Dendritenarmabständen führt, was mit früheren Erkenntnissen übereinstimmt28,55.

a Primärer Dendritenarmabstand vs. Abkühlgeschwindigkeit. Die gestrichelte Linie ist die lineare Anpassung, \({\lambda }_{1}=-0,26\dot{T}+19,60\), wobei λ1 der primäre Dendritenarmabstand (μm) und \(\dot{T} \) ist die Abkühlgeschwindigkeit (K s−1). Der R2-Fehler für die Anpassung beträgt 0,81. Detailwerte und Standorte der Proben sind in der Ergänzungstabelle 7 aufgeführt. b Vergleich der gemessenen primären Dendritenarmabstände mit analytischen Modellen. Die durchgezogene Linie passt am besten zu einem linearen Modell in \({G}^{-0,5}{V}_{s}^{-0,25}\) in Gl. (4), während die gestrichelte Linie das analytische Modell von Kurz und Fisher in Gl. ist. (3). Der R2-Fehler für die lineare Anpassungsgleichung beträgt 0,90. Der R2-Fehler für das Kurz- und Fisher-Modell beträgt 0,47.

Gemäß der Erstarrungstheorie34 hängt der Abstand der primären Dendritenarme eng mit dem Wärmegradienten und der Erstarrungsgeschwindigkeit zusammen. Um den Zusammenhang zwischen dem primären Dendritenarmabstand, dem thermischen Gradienten und der Erstarrungsrate zu verstehen, verglichen wir unsere Daten mit dem Analysemodell von Kurz und Fisher34:

Dabei ist λ1 der primäre Dendritenarmabstand (m), A ein Anpassungskoeffizient, Γ der Gibbs-Thomson-Koeffizient (Γ = 3,65 × 10−7 K m), ΔT0 die Unterkühlung (ΔT0 = Tl − Ts, die Einheit). ist K), Dℓ ist die Diffusionskonstante in der Flüssigkeit (m2 s−1), k ist der Verteilungskoeffizient (k = 0,4856), G ist der thermische Gradient (K m−1) und Vs ist die Erstarrungsgeschwindigkeit (m s). −1). Der Wärmegradient und die Erstarrungsrate werden aus den Simulationsdaten berechnet (wie unter „Methoden“ beschrieben), während der Abstand der primären Dendritenarme aus Experimenten gemessen wird. Wir berechnen den Wert von A aus der besten Anpassung an unsere experimentellen Daten mithilfe des Kurz- und Fisher-Modells. Die endgültige Form des Kurz- und Fisher-Modells basierend auf unseren Beispieldaten ist

wobei der Koeffizient \(B=A{\left({{\Gamma }}{{\Delta }}{T}_{0}{D}_{\ell }/k\right)}^{0,25}= 4,40\times 1{0}^{-4}\)K0,5 m0,75 s−0,25. Der auf den Daten basierende R2-Fehler des Modells von Kurz und Fisher beträgt 0,47.

Wir passen die Daten auch an einen Ausdruck an, der in \({G}^{-0,5}{V}_{s}^{-0,25}\) linear ist:

wobei der Koeffizient C1 = 1,41 × 10−3K0,5 m0,75 s−0,25 und C2 = − 2,62 × 10−5m ist. Der R2-Fehler der linearen Anpassungsgleichung beträgt 0,90.

Abbildung 5b zeigt den Vergleich zwischen dem Kurz- und dem Fisher-Modell in Gl. (3), die lineare Anpassung in Gl. (4) und die experimentellen Daten. Der Hauptunterschied zwischen dem Modell von Kurz und Fisher und der linearen Anpassung besteht darin, dass das lineare Modell einen Versatz am Ursprung aufweist, während dies beim Modell von Kurz und Fisher nicht der Fall ist. Die Abweichung des Kurz- und Fisher-Modells könnte auf die schnelle Abkühlgeschwindigkeit und die komplexe Geometrie der Dendritenspitzen zurückzuführen sein und nicht auf die einfachen Annahmen des Modells1,34,57,58; Dies kann auch durch eine Unsicherheit bei der Messung des Dendritenarmabstands verursacht werden.

Abbildung 6a zeigt die Korrelation zwischen thermischem Verlauf und UTS für alle Standorte in drei Fällen (Fälle A, B und C). Für jeden Fall werden drei wiederholte Experimente durchgeführt. Jeder Punkt im Diagramm stellt die kumulierte Zeit dar, die in einem bestimmten Temperaturbereich für einen bestimmten simulierten Temperaturverlauf verbracht wurde. Die Farbe jedes Punktes stellt die experimentell gemessene UTS für den entsprechenden Ort dar, während die Symbolform (Kreis, Dreieck oder Stern) die drei verschiedenen Wände bezeichnet (Fall A, B und C). Einzelheiten zur Berechnung der kumulativen Zeit thermischer Vorgeschichten in jedem Temperaturband sind in Methoden und ergänzender Abbildung 4 beschrieben. Fall C (die 120-mm-Wand mit 5 s Verweilzeit) zeigt höhere UTS als die Wände ohne Verweilzeit. Es wird vermutet, dass eine längere Verweilzeit während der Abscheidung zu einer erhöhten Abkühlgeschwindigkeit führt (siehe Abb. 3g), was zu einer feineren Mikrostruktur und einer höheren Festigkeit führt.

a UTS b Streckgrenze c Bruchspannung d Modul. Die Position jeder Markierung zeigt an, wie viel Zeit innerhalb jedes 25-Grad-Temperaturbandes verbracht wurde. Einzelheiten zur Temperaturnachbearbeitung werden in den Methoden und der ergänzenden Abbildung 4 beschrieben. Die Farbe jedes Markers stellt den Wert der mechanischen Eigenschaft für diese Probe dar. e Korrelation zwischen Abkühlrate und UTS für die drei Wände. Die grüne Linie ist die lineare Anpassung an alle Daten. Der R2-Fehler für die Anpassung beträgt 0,32.

Für die Temperatur zwischen 1200 und 1533 K in Abb. 6a wird für Fall C (mit Verweilzeit) in jedem Temperaturband weniger Zeit aufgewendet als für Fall B (gleiche Wandgröße ohne Verweilzeit), was auch auf eine schnellere Erstarrung in Fall C hinweist Bei Temperaturen unter 1200 K wird im Fall C viel mehr Zeit in jedem Temperaturbereich verbracht. Sowohl eine kürzere Zeit während der Erstarrung als auch eine längere Zeit bei gemäßigteren Temperaturen korrelieren mit höheren UTS. Ebenso haben die Proben von Fall B eine höhere UTS als Fall A in Abb. 6a, und in Fall B wird vergleichsweise mehr Zeit in jedem Temperaturbereich verbracht. Dies wird durch die längere Wandlänge und den Scanpfad in Fall B verursacht, was zu längeren Zeiten zwischen aufeinanderfolgenden Proben führt Laserdurchgänge.

Die in Abb. 6a mit einer roten gestrichelten Linie umschlossene Zone stellt den Teil der thermischen Geschichte nach dem Ausschalten des Lasers dar. Im Laser-Aus-Bereich ist die aufgewendete Zeit für die drei Wände ungefähr gleich, was darauf hindeutet, dass Unterschiede im Temperaturverlauf nach dem Laser-Ausschalten keine Rolle bei den Unterschieden in den mechanischen Eigenschaften in unseren Tests spielen.

Ähnliche Korrelationskarten mit Punktfarben, die der Streckgrenze, der Bruchspannung und dem Elastizitätsmodul entsprechen, sind in Abb. 6b–d dargestellt. Die Trends bei Ertrag und Versagensspannung ähneln denen von UTS. Es gibt jedoch keinen offensichtlichen Unterschied im Modul zwischen den Wänden. Dies weist darauf hin, dass unterschiedliche Mikrostrukturen, die durch Merkmale der thermischen Vorgeschichte verursacht werden, zu Schwankungen in der Materialfestigkeit führen können, jedoch nur geringfügige Auswirkungen auf den Elastizitätsmodul haben.

Abbildung 6e zeigt die Beziehung zwischen der Abkühlrate und der UTS für drei verschiedene dünne Wände. Die grüne Linie in Abb. 6e ist die lineare Anpassung an alle Daten. Der R2-Fehler für die Anpassung beträgt 0,32. Die Ergebnisse zeigen, dass UTS mit zunehmender Abkühlrate zunimmt. Fall C weist unter den drei Fällen den größten UTS mit der höchsten Kühlrate auf. Die Korrelation zwischen Abkühlgeschwindigkeit und UTS ist jedoch in jedem Fall schwach, was darauf hindeutet, dass die Abkühlgeschwindigkeit allein nicht ausreicht, um mechanische Eigenschaften vorherzusagen. Um mechanische Eigenschaften vorherzusagen, müssen wir neben der Abkühlgeschwindigkeit weitere Faktoren oder Merkmale in den thermischen Vorgängen berücksichtigen.

Im vorherigen Abschnitt diskutieren wir die Trends bei den mechanischen Eigenschaften in Bezug auf beobachtbare Merkmale des Temperaturverlaufs, wie z. B. die Abkühlrate und die Temperaturmerkmalsdeskriptoren reduzierter Ordnung (die während jedes Temperaturintervalls aufgewendete Zeit). Allerdings reicht die Abkühlgeschwindigkeit allein nicht aus, um mechanische Eigenschaften vorherzusagen, und es ist schwierig, eine quantitative Beziehung zwischen den Eigenschaften und den von uns hervorgehobenen Temperaturdeskriptoren reduzierter Ordnung auszudrücken. Daher wollen wir maschinelles Lernen nutzen, um wichtige Merkmale der thermischen Vorgeschichte zu extrahieren und Vorhersagemodelle der Eigenschaften aus einer bestimmten thermischen Vorgeschichte zu erstellen.

Ein Faltungs-Neuronales Netzwerk (CNN) kann wesentliche Merkmale automatisch extrahieren und übergeordnete Merkmale aus räumlichen und zeitlichen Daten lernen36,37,38,39. Neuere Arbeiten zeigen, dass eindimensionales CNN zur effektiven Analyse von Zeitreihen- oder Sequenzdaten verwendet werden kann40,41,42,43,44,45. Diese Arbeit verwendet 1D-CNN, um Merkmale aus thermischen Vorgeschichten zu extrahieren und mechanische Eigenschaften wie UTS, Fließspannung, Bruchspannung und Modul der Probenpunkte vorherzusagen. Die Datenaufbereitung, Hyperparametersuche und neuronale Netzwerkarchitektur werden unter „Methoden“ besprochen.

Abbildung 7 zeigt die Struktur des Faltungs-Neuronalen Netzwerks mit der Visualisierung der Zwischenfaltungsschicht. Die Eingabe des trainierten CNN ist der Temperaturverlauf für jede untersuchte Stelle in der abgelagerten dünnen Wand. Die Ausgabe des Netzwerks ist UTS für entsprechende Standorte. Abbildung 8 zeigt den Vergleich der von CNN vorhergesagten UTS mit der tatsächlich gemessenen UTS. Abbildung 8a zeigt die Trainingsdaten, während Abbildung 8b die Testdaten zeigt. Die R2-Werte für Training und Tests betragen 0,96 und 0,67, wie im Diagramm dargestellt. Die Ergebnisse zeigen, dass die vorgeschlagene CNN-Struktur die UTS für Proben in diesen dünnwandigen Aufbauten auf der Grundlage der thermischen Vorgeschichte genau vorhersagen kann.

Die CNN-Architektur besteht aus drei Faltungsschichten mit der Max-Pooling-Schicht und der ReLU-Aktivierung sowie vollständig verbundenen Schichten mit der ReLU-Aktivierung. Die obersten drei Unterhandlungen sind die Visualisierung der Ausgabe der ersten, zweiten und dritten Faltungsschicht. Die Eingaben von 1D CNN sind die vorverarbeiteten thermischen Historien. Die Ausgabe sind mechanische Eigenschaften (UTS).

a Trainingsdaten. b Testdaten.

In ähnlicher Weise verwenden wir das 1D-CNN auch, um andere mechanische Eigenschaften vorherzusagen, einschließlich Streckgrenze, Bruchspannung und Modul. Die auf Trainings- und Testdaten basierenden Vorhersageergebnisse für Streckgrenze, Bruchspannung und Elastizitätsmodul sind in den ergänzenden Abbildungen dargestellt. 5–7. Die R2-Werte zur Vorhersage der Streckgrenze, der Versagensspannung und des Moduls für die Trainingsdaten betragen 0,82, 0,72 bzw. 0,37; Für Testdaten betragen sie 0,70, 0,60 und 0,14. Diese Ergebnisse zeigen, dass die vorgeschlagenen CNNs auch Fließspannung und Versagensspannung mit guter Genauigkeit vorhersagen können. Die Vorhersage des Moduls mithilfe der CNNs ist erwartungsgemäß nicht gut, da der Modul hauptsächlich vom Materialtyp abhängt und nicht stark mit den mikrostrukturellen Unterschieden korreliert, die von der thermischen Vorgeschichte abhängen59,60. Wir können auch sehen, dass in Abb. 6d keine starke Korrelation zwischen thermischen Vorgeschichten und Modul besteht.

Um zu verstehen, welche Merkmale der thermischen Prozesse einen dominanten Einfluss auf die mechanischen Eigenschaften haben, geben wir die dazwischenliegenden Faltungsschichten des trainierten Netzwerks aus. Wir visualisieren die Ausgabe der ersten, zweiten und dritten Faltungsschicht (Conv1D_1, Conv1D_2, Conv1D_3) für alle Feature-Filter; Diese werden über dem CNN-Modell in Abb. 7 angezeigt und vergrößerte Ansichten sind in Abb. 9 dargestellt. Die Kanalausgaben jeder Faltungsschicht informieren darüber, wie die Faltungsschichten die Schlüsselfaktoren aus dem Temperaturverlauf extrahieren und nützliche Informationen zur Formulierung der mechanischen Eigenschaften übertragen . Es gibt 32, 64 und 64 Kanäle in den Ebenen Conv1D_1, Conv1D_2 und Conv1D_3.

ein Conv1D_1. d Conv1D_2. e Conv1D_3. Jeder Unterplot in a, d und e repräsentiert die Ausgabe der Ebene für einen einzelnen der 32, 64 und 64 Kanäle oder Filter. b, c Vergleich des Temperaturverlaufs mit extrahierten Features aus Conv1D_1 mit dem ersten und dritten Feature-Filter. f, g Vergleich des Temperaturverlaufs mit extrahierten Merkmalen aus Conv1D_3 für fa Einzelmerkmalsfilter und g alle Merkmalsfilter. Die blaue Linie stellt den Temperaturverlauf eines Falles dar. Die roten Punkte sind die extrahierten Merkmale aus Merkmalsfiltern in der Faltungsschicht. Die ursprünglich extrahierten Merkmalswerte werden für einen bequemen Vergleich mit dem Temperaturverlauf im selben Diagramm mit 8000 multipliziert.

Abbildung 9 zeigt die Ausgabe der ersten, zweiten und dritten Faltungsschicht für alle Feature-Filter oder Kanäle. Abbildung 9a ist die Ausgabe der ersten Faltungsschicht für alle Kanäle. Es gibt 32 Funktionsfilter für Conv1D_1. Die Ausgabediagramme ungleich Null zeigen zwei Hauptmuster. Ein Muster, das beispielsweise vom ersten Merkmalsfilter angezeigt wird, weist in den oberen paar Zeitschritten die meisten Werte auf. Das andere Muster hat Werte von 0 s bis etwa 1100 s, wie zum Beispiel im dritten Merkmalsfilter zu sehen ist. Einige andere Ausgaben in Abb. 9a sind nicht aktiviert und liegen nahe bei Null, was bedeutet, dass diese Merkmalsfilter keine Trends aus der Eingabe erfassen und keine Informationen an die nächste Schicht im Netzwerk übertragen. Ein Vergleich der extrahierten Merkmalsausgabe für den ersten und dritten Merkmalsfilter von Conv1D_1 mit dem Temperaturverlauf ist in Abb. 9b bzw. c dargestellt. Die blaue Linie stellt den Temperaturverlauf dar. Die rote Punktlinie stellt die extrahierte Ausgabe der ersten Faltungsschicht für den ersten und dritten Merkmalsfilter dar. Die ursprünglich extrahierten Merkmalswerte werden für einen bequemen Vergleich mit dem Temperaturverlauf im selben Diagramm mit 8000 multipliziert. Die Ergebnisse zeigen, dass nicht nur die Temperatur während der ersten Zyklen (der Erstarrungsbereich) die mechanischen Eigenschaften beeinflusst, sondern auch der gesamte Temperaturverlauf vom Beginn des Laserscans bis zum Ende des Prozesses (ca. 1100 s) eine wichtige Rolle spielt. Die aus der Erstarrungsdauer berechnete Abkühlgeschwindigkeit kann nicht alle thermischen Merkmale auf die Auswirkung mechanischer Eigenschaften abbilden. Sowohl die Erstarrungstemperatur als auch der gesamte wiederholte Wärmezyklus während des Laserscans beeinflussen die Bildung der Mikrostruktur und die endgültigen mechanischen Eigenschaften, wie z. B. UTS.

Wir zeigen auch die Ausgabe der zweiten und dritten Faltungsschicht in Abb. 9d und e. Es gibt 64 Funktionsfilter für Conv1D_2 und Conv1D_3. Vergleicht man die Ausgaben von Conv1D_1, Conv1D_2 und Conv1D_3, erfasst Conv1D_1 die meisten Informationen aus der Eingabe, obwohl einige Funktionsfilter nicht aktiviert sind. Bei tieferen Schichten wird die Ausgabevisualisierung abstrakter und weniger interpretierbar. Der Conv1D_3 enthält weniger Informationen in der Ausgabevisualisierung, wobei für eine Reihe von Feature-Filtern größtenteils keine Ausgabe erfolgt.

Der Vergleich der extrahierten Merkmale von Conv1D_3 für einen ausgewählten Merkmalsfilter mit Temperaturverlauf ist in Abb. 9f dargestellt, und alle Merkmalsfilter sind in Abb. 9g dargestellt. In Abb. 9f erfassen die extrahierten Merkmale die Temperaturinformationen von 0 s bis etwa 1150 s. Betrachtet man extrahierte Features aus allen Feature-Filtern in Conv1D_3 in Abb. 9g, erfasst die Ausgabe Temperaturinformationen vom Beginn des Laserscans bis zum Ende der Laserfusion, was dem Trend der Ausgaben von Conv1D_1 und Conv1D_2 ähnelt.

Es ist oft schwierig, die Beziehung zwischen Eingaben und Ausgaben in einem Modell für maschinelles Lernen wie CNN zu verstehen, aber um den Beitrag thermischer Historien zur UTS-Vorhersage weiter aufzuzeigen, vergleichen wir die extrahierten Merkmale aus der ersten Faltungsschicht (Conv1D_1). für mehrere Fälle mit hoher und niedriger UTS in Abb. 10. Um den Vergleich zu erleichtern, haben wir 12 Proben in allen drei Wandfällen ausgewählt, die eine ähnliche Gesamtlaserscanzeit (von der Materialabscheidung bis zur Laser-Aus-Zeit) haben, und in hohe und niedrige Werte unterteilt UTS-Gruppen (sechs Proben in jeder Gruppe). Der durchschnittliche UTS beträgt 780,90 MPa bzw. 695,93 MPa für die Gruppen mit hohem und niedrigem UTS. Einzelheiten zu den Proben in beiden Gruppen sind in den Ergänzungstabellen 8 und 9 aufgeführt. Für beide Gruppen sind die ersten und dritten Merkmale der ersten Faltungsschicht in Abb. 10 dargestellt. Für beide Merkmale in den beiden Gruppen werden Muster erkannt. Für das erste Merkmal (Abb. 10a und c), das während der ersten 300 s der Abkühlung hervorsticht, ist das extrahierte Signal im Allgemeinen für die Gruppe mit hohem UTS stärker, mit weniger Werten ungleich Null als für die Gruppe mit niedrigem UTS. Für den dritten Merkmalsfilter (Abb. 10b und d) beginnen Fälle mit niedrigem UTS (Abb. 10d) mit einem hohen Signal, nehmen jedoch in den ersten 200 s ab und erreichen danach ein Plateau bei einem Wert um 0,02–0,03, bevor sie nach dem Laser abklingen. Ausschaltzeit ca. 500 s. Bei Fällen mit hohem UTS (Abb. 10b) bleibt bis zur Laser-Aus-Zeit ein höheres Signal zwischen 0,04 und 0,06 erhalten. Obwohl wir aus diesen Diagrammen keine Rückschlüsse auf die beteiligten physikalischen Phänomene ziehen können, deuten diese Ergebnisse darauf hin, dass es möglicherweise zwei verschiedene Phänomene gibt, die UTS beeinflussen; einer zu frühen Zeiten und hohen Temperaturen (der erste Merkmalsfilter) und ein anderer zu längeren Zeiten und gemäßigteren Temperaturen (der dritte Merkmalsfilter).

a, c Extrahierte Features von Conv1D_1 mit dem ersten Feature-Filter für Fälle mit hohem und niedrigem UTS. b, d Extrahierte Features von Conv1D_1 mit dem dritten Feature-Filter für Fälle mit hohem und niedrigem UTS.

In dieser Arbeit haben wir ein validiertes Finite-Elemente-Modell mit einem datengesteuerten CNN-Modell entwickelt, um die Korrelation zwischen thermischer Geschichte, Mikrostruktur und mechanischen Eigenschaften während des DED-Prozesses mit Inconel 718 zu untersuchen. Anstatt experimentell gemessene IR-Temperaturen mit Unsicherheiten zu verwenden, haben wir verwendeten simulierte Temperaturverläufe aus einem thermischen Modell, validiert durch In-situ-Experimente, um mechanische Eigenschaften von CNNs vorherzusagen. Simulierte thermische Vorgänge, Mikrostrukturen und gemessene mechanische Eigenschaften wurden gründlich analysiert, um die Beziehung zwischen Prozess, Struktur und Eigenschaften zu verstehen. Schlüsselmerkmale aus der thermischen Geschichte wurden von den CNNs effizient identifiziert.

Die Ergebnisse zeigen die leistungsstarke Fähigkeit des 1D-CNN-Modells, mechanische Eigenschaften, einschließlich UTS, Streckgrenze und Bruchspannung, mithilfe simulierter und nicht gemessener thermischer Verläufe vorherzusagen. Das 1D-CNN-Modell ist effektiv und effizient bei der Identifizierung wichtiger versteckter Merkmale aus komplexen thermischen Verläufen mit guter Genauigkeit. Die extrahierten Merkmale thermischer Verläufe zeigen unterschiedliche Beiträge für Proben mit hoher und niedriger UTS. Bei Proben mit niedrigem UTS-Wert tragen frühe thermische Zyklen am stärksten zu den gefilterten Merkmalen bei, mit relativ geringen Beiträgen aus späteren Verläufen. Proben mit hohem UTS zeigen in späteren Zeiten ein stärkeres Merkmalssignal und gemäßigtere Temperaturen. Diese Ergebnisse unterstreichen, wie wichtig es für genaue Vorhersagen mechanischer Eigenschaften ist, den gesamten thermischen Verlauf zu berücksichtigen und nicht nur einfache thermische Metriken wie die Abkühlrate. Durch die Verwendung simulierter Temperaturen anstelle von Experimenten erweitert das datengesteuerte CNN-Modell die Fähigkeit, mechanische Eigenschaften für AM-Konstruktionen komplexer Teilegeometrien vorherzusagen und zu überwachen.

Die extrahierten Merkmale des 1D-CNN-Modells können Einblicke in die Entwicklung der Mikrostruktur geben. Anhand der Visualisierung dazwischenliegender Faltungsschichten lässt sich beobachten, dass nicht nur der Erstarrungsbereich, sondern auch der gesamte thermische Verlauf während des Laserscans Auswirkungen auf die endgültigen mechanischen Eigenschaften hat. Dies könnte darauf hindeuten, dass sich während der Zwischenstufe einige Ausscheidungen wie Laves-Phasen, δ-Phase (Ni3Nb), \({\gamma }^{\prime}\)-Phase Ni3(Al, Ti) und γ''-Phase (Ni3Nb) bilden Temperaturbereich. Die γ''-Phase ist die Hauptverfestigungsausscheidung in der Inconel 718-Legierung, während die \({\gamma }^{\prime}\)-Phase eine unterstützende Verfestigungsausscheidung ist50. Die δ-Phase und die Laves-Phase beeinträchtigen die Materialeigenschaften (Festigkeit, Ermüdungslebensdauer und Duktilität)61.

Unterschiedliche Ausscheidungen können sich in zwei Stufen bilden: Nichtgleichgewichtserstarrung und Festkörperphasenumwandlung nach der Erstarrung. Bei der Nichtgleichgewichtserstarrung beginnt die γ-Matrix zu erstarren, wenn die Temperatur während der ersten mehreren thermischen Zyklen unter der Liquidustemperatur liegt. Die Entmischung der Bestandteile von Inconel 718 verändert die treibende Kraft der Phasenbildung, was zur Bildung von Laves-Phasen im interdendritischen Bereich führt62. Es wurde berichtet, dass die Laves-Bildung mit einer langsamen Erstarrung bei geringer Abkühlgeschwindigkeit zusammenhängt63. Es reicht jedoch nicht aus, die Abkühlgeschwindigkeit allein als Kriterium für die Laves-Bildung zu verwenden, da Laves-Phasen auch bei hohen Abkühlgeschwindigkeiten in AM-Prozessen beobachtet werden64,65. Auch Wärmegradienten, Unterkühlung und Fest-Flüssigkeits-Grenzflächengeschwindigkeit sollten berücksichtigt werden. Wenn die Temperatur nach der Nichtgleichgewichtserstarrung weiter sinkt, kommt es zu einer Phasenumwandlung im festen Zustand. In diesem Stadium können sich Niederschläge wie die Phasen δ, \({\gamma }^{\prime}\) und γ'' bilden. Wenn zwischen der Ablagerung der Schichten genügend Zeit vergeht (z. B. bei langer Verweilzeit), sinkt die Temperatur schnell und die Zeit, die das Material im Temperaturbereich der Niederschlagsbildung (875–1275 K) verbringt, geht aus dem TTT-Diagramm (Temperatur-Zeit-Transformation) hervor von Inconel 71850,66 ist zu kurz, um δ, \({\gamma }^{\prime}\) und γ''62 zu bilden. Wenn die Verweilzeit nicht lang genug ist, um das Material schnell abzukühlen, kann die im Niederschlagstemperaturbereich verbrachte Zeit lang genug sein, um δ, \({\gamma }^{\prime}\) und γ'' in der Mikrostruktur zu bilden. Beachten Sie, dass beobachtet wurde, dass die zur Bildung von Ausfällungen erforderliche Zeit bei AM kürzer ist als bei geknetetem Inconel 625, da die interdendritische Entmischung im AM-Material zunimmt67,68,69. In Inconel 718 liegen die \({\gamma }^{\prime}\)-Phasen und der γ''-Ausscheidungstemperaturbereich zwischen 875 und 1175 K, während der Temperaturbereich für δ-Phasen zwischen 1225 und 1275 K61,70,71 liegt. Beide Temperaturbereiche für Niederschlag liegen innerhalb des mittleren Temperaturbereichs, der aus der Visualisierung unserer CNN-Feature-Filter ermittelt wurde. Daher könnten CNN-Vorhersagen weitere Erkenntnisse für zukünftige Modelle liefern, um die Bildung und Entwicklung von Niederschlägen vorherzusagen und mit mechanischen Eigenschaften zu korrelieren.

Um die Recheneffizienz aufrechtzuerhalten, vernachlässigt das thermische Modell den Flüssigkeitsfluss im Schmelzbad sowie andere Details im Pulvermaßstab während der Abscheidung. Aufgrund dieser Annahmen werden komplexe Strömungsmerkmale und Wärmeübertragungsmechanismen während der Pulverabscheidung im Schmelzbad nicht erfasst. Bei Pulverbettprozessen hat sich gezeigt, dass das Ignorieren der Konvektion im Schmelzbad zu einer geringeren Wärmeableitung im gesamten Schmelzbad, einer Überschätzung der Schmelzbadbreite und einer höheren Spitzentemperatur führt72,73. High-Fidelity-Modelle, wie zum Beispiel Thermal-Fluid-Modelle, können mehr physikalische Details erfassen und genauere Vorhersagen liefern als das reine Wärmeleitungsmodell. Aufgrund des Rechenaufwands von Thermofluidmodellen, einschließlich der Anforderungen an feine Gitter und Zeitschrittgrößen, sind sie jedoch auf kleine Volumina beschränkt, und wiederholte Simulationen im Teilmaßstab sind nicht durchführbar. Andererseits gehen wir davon aus, dass der wichtigste Teil der thermischen Geschichte während und nach der endgültigen Erstarrung an jedem Materialpunkt auftritt; Es wird erwartet, dass dieser Verlauf durch die Vernachlässigung der Strömung im Schmelzbad unmittelbar nach der Pulverabscheidung an jedem Punkt weniger beeinflusst wird. Die Validierung unserer Simulationen im Abschnitt „Thermische Simulation und Validierung“ zeigt die Genauigkeit der Simulationen für das gewünschte Temperaturregime. Obwohl ihm die Genauigkeit rechenintensiverer Modelle fehlt, bietet die von uns gewählte Form des thermischen Modells eine effiziente Annäherung an die tatsächliche thermische Geschichte, die unseres Erachtens durch unser datengesteuertes Modell zuverlässig zur Vorhersage resultierender Materialeigenschaften verwendet werden kann. Um die Genauigkeit von Temperaturvorhersagen weiter zu verbessern, ist es wichtig, Randbedingungen und Oberflächenparameter besser zu charakterisieren, anstatt die Modelltreue zu erhöhen. Beispielsweise haben die konvektive Wärmeübertragung an allen Oberflächen und der temperaturabhängige Strahlungsemissionsgrad des Materials einen Einfluss auf die berechneten thermischen Verläufe; Der Emissionsgrad beeinflusst auch die Interpretation der IR-Kameradaten, die zur Kalibrierung und Validierung der Simulationen verwendet werden.

Mit genügend Mikrostrukturdaten für das Training könnte das CNN im Prinzip erweitert werden, um Mikrostrukturinformationen wie den primären Dendritenarmabstand auf der Grundlage thermischer Vorgeschichten vorherzusagen. Allerdings wird der Dendritenabstand anhand der SEM-Charakterisierungsbilder experimenteller Proben gemessen, was teuer und zeitaufwändig ist, und es stehen nicht genügend Daten zur Verfügung. Wir haben auch Defekte, einschließlich Poren, in REM-Bildern beobachtet. Es wird erwartet, dass die Porenbildung stark mit der thermischen Vorgeschichte zusammenhängt und die mechanischen Eigenschaften beeinflussen kann, wie in unserer früheren Arbeit52 gezeigt wurde. Weitere Studien könnten die Porositätsinformationen in das datengesteuerte Modell integrieren, um diese Beziehung zwischen Prozess, Struktur und Eigenschaften zu untersuchen. Derzeit werden die Auswirkungen der Porosität indirekt über das CNN erfasst, das die Temperatur mit den Eigenschaften verknüpft.

Das vorgeschlagene datengesteuerte CNN-Framework bietet großes Potenzial für die Vorhersage mechanischer Eigenschaften komplexer, mit AM gefertigter Teile und liefert physikalische Erkenntnisse über thermische Effekte auf die Mikrostruktur und die mechanischen Eigenschaften. Unsere Ergebnisse deuten darauf hin, dass der gesamte Temperatur-Zeit-Verlauf, der durch validierte thermische Simulation angenähert werden kann, die mechanischen Eigenschaften beeinflusst. Dieser Ansatz und die dadurch gewonnenen Erkenntnisse können wertvolle Informationen für die Gestaltung und Verbesserung von DED und anderen AM-Prozessen liefern.

Einspurige dünne Wände aus Inconel 718 wurden mittels DED auf Substraten aus Edelstahl 304 abgeschieden, wobei eine hybride additive und subtraktive DMG MORI Lasertec 65-Maschine verwendet wurde, die mit einem In-situ-Infrarot-Schmelzbadmonitor ausgestattet war. Die Wände wurden unter Verwendung von drei verschiedenen Prozessbedingungen hergestellt, um die Erstarrungs- und Abkühlgeschwindigkeiten zwischen verschiedenen Fällen zu variieren: 80 mm lange Wände (Fall A), 120 mm lange Wände (Fall B) und 120 mm lange Wände mit einer 5-s-Zwischenschicht Verweilzeit (Fall C). Für jeden Fall werden drei wiederholte Experimente durchgeführt. Jede Wand besteht aus 120 Schichten. Die Laserleistung beträgt 1800 W und die Laserscangeschwindigkeit beträgt 16,7 mm s−1 für alle Builds. Der Entwurf des Laserwerkzeugwegs im Experiment ist in der ergänzenden Abbildung 1b dargestellt. Der Pulvermassenstrom beträgt 0,3 g s−1 bei einem Pulverfokusradius von 3 mm. Für Fall C wird nach der Abscheidung jeder Schicht eine Verweilzeit von 5 Sekunden (eine Pause im Aufbau) angewendet, bevor mit der nächsten Schicht begonnen wird, was eine zusätzliche Kühlung ermöglicht.

Im Abscheidungsprozess wurde eine digitale IR-Kamera FLIR A655sc verwendet, um während der Abscheidung Wärmebilder der dünnen Wand aufzunehmen. Die Auflösung der Kamera beträgt 640 × 480 Pixel und der Spektralbereich reicht von 7,5 bis 14,0 μm mit einer Genauigkeit von ±2 ∘C. Die IR-Kamera zeichnete während des Prozesses die Infrarotstrahlung auf; Anschließend wurden Temperaturmessungen aus den Rohdaten der IR-Strahlung durch Kalibrierung des Emissionsvermögens an den gemessenen Punkten erhalten. Die Signale von IR-Kameras beziehen sich auf den Emissionsgrad des Materials, den Oberflächenzustand und die Detektoreffizienz. Um die Emissionstemperatur genau in die absolute Temperatur umzurechnen, muss der Emissionsgrad des Materials bestimmt werden. Die Emissionstemperatur wird anhand der am Anfang und Ende des Liquidus-Solidus-Übergangsbereichs beobachteten Diskontinuitäten kalibriert. Weitere Einzelheiten zur Emissionsgradkalibrierung finden Sie in Lit. 22.

Für jede Wand wurden Coupon-Proben mittels Drahterodieren geschnitten und Messungen für Modul, UTS, Streckgrenze, Streckgrenze, Bruchspannung und Bruchdehnung durchgeführt. Die miniaturisierten ASTM E8-Zugproben wurden mit der Testrichtung in der Baurichtung (z) geschnitten und an 9 verschiedenen Stellen an jeder 80-mm-Wand (Fall A) und an 12 verschiedenen Stellen an jeder 120-mm-Wand (Fälle B und C) hergestellt. Die von der IR-Kamera überwachte Temperatur und die Positionen der Coupon-Proben für Zugtests sind in der ergänzenden Abbildung 1 als Referenz dargestellt. Die ergänzende Abbildung 1d zeigt die Positionen der Probenproben in Fall A, während die ergänzende Abbildung 1e die Positionen der Proben in den Fällen B und C zeigt. Die Größen der Zugtestproben sind in der ergänzenden Abbildung 8 dargestellt. Die Nennabmessungen des Messabschnitts sind 0,8 mm dick, 1,2 mm breit und 2,5 mm lang. Die Zugversuche wurden unter Wegkontrolle bis zum Bruch mit einer Zuggeschwindigkeit von 0,02 mm s−1 auf einer Zugprüfmaschine vom Typ Sintech 20 G durchgeführt. Weitere Einzelheiten zu Zugversuchen und Couponabmessungen finden Sie in Lit. 74. Eine typische Spannungs-Dehnungs-Kurve für eine Probe von Fall A ist in der ergänzenden Abbildung 9 als Referenz dargestellt. Die Streckgrenze, Bruchspannung, UTS und der Elastizitätsmodul werden anhand der Spannungs-Dehnungs-Kurve gemessen.

Teilmengen der Zugproben ausgewählter Wandstellen wurden geschnitten, montiert und mit nichtkristallisierendem kolloidalem Siliciumdioxid auf einem Vibrationspolierer auf eine Oberfläche von 0,02 μm poliert. Mit einem FEI Quanta 650 Rasterelektronenmikroskop (REM) mit Sekundärelektronen (SE), Rückstreuelektronen (BSE) und energiedispersiver Röntgenaufnahme wurden Mikrostrukturen auf zwei Flächen der Proben beobachtet, senkrecht zur Aufbaurichtung und zur Scanrichtung Spektroskopie-Detektoren (EDS). Die Binarisierung und Analyse der REM-Bilder wurde von ImageJ Software51 durchgeführt.

Die dünnwandigen Bauten werden mithilfe eines Finite-Elemente-Modells simuliert. Der thermische Verlauf während des DED-Prozesses wird durch Lösen der Wärmeleitungsgleichung in der folgenden Form berechnet:

Dabei ist ρ die Materialdichte, Cp die spezifische Wärmekapazität, T die Temperatur, t die Zeit, q der Wärmefluss und x die Raumkoordinate.

Der Wärmeflussvektor in Gl. (5) wird durch das Fouriersche Gesetz als gegeben angenommen:

Dabei ist k die Wärmeleitfähigkeit des Materials, modelliert als isotrop (so dass k ein Skalar ist). Die thermischen Eigenschaften von Inconel 718, nämlich die spezifische Wärmekapazität und die Wärmeleitfähigkeit, werden als temperaturabhängig angenommen, wobei die Werte in der Ergänzungstabelle 10 aufgeführt sind. Eigenschaften bei Temperaturen zwischen denen in der Tabelle werden durch lineare Interpolation berechnet.

Das thermische Modell berücksichtigt weder die Flüssigkeitsströmung im Schmelzbad noch die daraus resultierende Konvektion oder Oberflächenbewegung. Oberflächenspannung, Marangoni-Kräfte, Auftrieb, Viskosität und Rückstoßdruck aufgrund der Verdunstung werden somit vernachlässigt. Das Modell ignoriert auch die Diffusion chemischer Elemente, chemische Reaktionen, Änderungen der Materialzusammensetzung und Mikrosegregation gelöster Stoffe während der Erstarrung.

Die Ausgangsbedingung für die Dünnwandabscheidung und das Substrat ist eine konstante Temperatur:

wobei T∞ die Umgebungslufttemperatur ist. Die Randbedingung beschreibt den Wärmefluss an der Oberfläche der Domäne, der den Wärmeverlust aufgrund von Strahlung, Konvektion, Verdunstung und der Wärmequelle des Lasers umfasst. Die allgemeine Form der Wärmestrom-Randbedingung ist

Dabei ist Γq die Grenzfläche zum Normalenvektor n, qrad der Strahlungswärmefluss, der auf alle freiliegenden Oberflächen der dünnen Wand und der Substrate wirkt, qconv der Wärmefluss aufgrund der Konvektion auf allen Oberflächen (freie Konvektion mit konstantem Koeffizienten an der Unterseite). das Substrat und erzwungene Konvektion mit räumlich variierendem Koeffizienten auf der Oberfläche der Wände und anderen Oberflächen des Substrats), qevap ist der Wärmefluss aufgrund von Verdunstung und qlaser ist der Laserwärmefluss, der auf die freiliegenden Oberflächen der dünnen Wand ausgeübt wird und der oberen Oberfläche des Substrats. Beachten Sie, dass sich die freiliegenden Oberflächen während des Bauprozesses ändern, wenn das Material hinzugefügt wird. Während des simulierten Aufbaus werden Elemente, die neu hinzugefügtes Material darstellen, nach einem durch den Laserpfad festgelegten Zeitplan aktiviert. Bei der Berechnung werden nur aktive Elemente berücksichtigt, und die obige Randbedingung wird bei jedem Zeitschritt auf die äußere Grenze der aktiven Domäne angewendet.

Die Randbedingung des Wärmestroms aufgrund des Strahlungsaustauschs mit der Umgebung wird auf alle exponierten Oberflächen der dünnen Wand und des Substrats angewendet:

Dabei ist ε der Emissionsgrad des Materials und σ die Stefan-Boltzmann-Konstante.

Der Wärmestrom aufgrund der Konvektion beträgt

Dabei ist h der Wärmekonvektionskoeffizient, x, y und z die Koordinaten des interessierenden Punktes. An der Unterseite des Substrats wird eine konstante freie Konvektion mit einem Konvektionskoeffizienten von 10 W m−2 K−1 angewendet, um die freie Konvektion in Luft anzunähern13,75,76,77,78. An den freiliegenden Oberflächen dünner Wände und den oberen Oberflächen des Substrats verwenden wir die gleiche Form eines räumlich variierenden Wärmekonvektionskoeffizientenmodells wie in Referenz. 3. Das in Lit. dargestellte räumlich variierende Konvektionsmodell. 3 berücksichtigt die Auswirkungen der erzwungenen Konvektion, die durch die Schutz- und Trägergasströme im DED-Prozess verursacht wird. Der Wärmekonvektionskoeffizient an den Wandflächen hat die Form:

Dabei ist Δz der vertikale Abstand von der Oberseite der Wand zum interessierenden Punkt, x, y und z sind die Koordinaten des interessierenden Punkts und xb, yb und zb sind die Koordinaten des Laserzentrums Strahl.

Da erwartet wird, dass sich die Konvektion auf den vertikalen Oberflächen der dünnen Wand von der auf den horizontalen Substratoberflächen unterscheidet, wird auf das Substrat ein etwas anderes Modell angewendet3. Wir verwenden auch die gleiche Form der Gleichung wie in Ref. 3 für die unten angegebene Konvektion auf der Oberseite des Substrats:

Die Parameter in diesen beiden Ausdrücken für den Konvektionskoeffizienten werden mithilfe der DED-Experimentdaten kalibriert.

Der Wärmeverlust durch Verdunstungskühlung, wenn das Material die Verdampfungstemperatur erreicht, beträgt

Dabei ist mevap der Massenverdampfungsfluss und Lv die latente Verdampfungswärme. Der Massenverdampfungsflussterm in Gl. (13) folgt dem von Anisimov79 vorgeschlagenen Modell:

Dabei ist Psat der Sättigungsdruck bei der Temperatur T, Rgas die Gaskonstante und mmol die Molmasse der verdampfenden Spezies. Insbesondere kann der Sättigungsdruck Psat durch Lösen der Clausius-Clapeyron-Gleichung79 berechnet werden:

wobei Tb der Siedepunkt oder die Verdampfungstemperatur beim Umgebungsdruck Pa ist.

Die Randbedingung des Laserwärmeflusses wird auf die freiliegenden Oberflächen der dünnen Wand und die Oberseite des Substrats angewendet. Es wird angenommen, dass die Verteilung der Laserwärmequelle einer Gaußschen Beziehung in der folgenden Form folgt:

Dabei ist η die Laserabsorptionseffizienz, P das Laserpulver und rb der Strahlradius.

Die Geometrie des Rechenbereichs und der Netze ist in der ergänzenden Abbildung 1c dargestellt. Die Abmessungen der dünnen Wände sind in der Ergänzungstabelle 1 aufgeführt. Die Abmessungen des Substrats betragen jeweils 200 mm × 75 mm × 75 mm in x-, y- und z-Richtung. Jeweils 120 Abscheidungsschichten mit einer Schichtdicke von 0,5 mm. Die Laserleistung beträgt 1800 W bei einer Laserscangeschwindigkeit von 16,7 mm s−1. Für Fall A enthält das Netz 174.805 Elemente mit 222.304 Knoten; für die Fälle B und C 238.613 Elemente mit 300.036 Knoten. Für jede Schicht wird das Netz so diskretisiert, dass es ein Element in Gebäuderichtung und sechs Elemente in der Breite der Wand enthält. Es wurde festgestellt, dass ein Element pro Schicht für ein dünnwandiges Aufbaunetz für die Berechnungsgenauigkeit ausreichend ist, da die Tiefe des Schmelzbads tiefer ist als bei einer einzelnen Schicht im DED-Prozess. Die Zeitschrittgröße beträgt in allen Fällen 0,12 s. Um die Materialzugabe während des DED-Prozesses zu ermöglichen, wird eine Elementaktivierungsmethode verwendet. Das gesamte Netz wird vom Beginn der Simulation an gespeichert, aber Elemente, die noch nicht aufgebautes Material darstellen, sind inaktiv und nicht in der Finite-Elemente-Matrixanordnung enthalten. Elemente werden entsprechend dem Laserpfad und dem Bauplan aktiviert; Wenn neue Elemente aktiviert werden, wird auch die freiliegende Oberfläche, auf die Randbedingungen angewendet werden, geändert. Weitere Einzelheiten zum rechnerischen Ansatz finden Sie in Lit. 52. Ein Gaußsches Quadraturschema mit acht Punkten (zwei Punkte in jede Richtung) wird verwendet, um räumliche Integrale in der schwachen Finite-Elemente-Form auszuwerten. Zur Diskretisierung des Zeitterms in Gl. wird eine Rückwärts-Euler-Methode verwendet. (5). Zur Lösung des resultierenden Gleichungssatzes, der aufgrund der Strahlungsterme in Gl. nichtlinear ist, wird die Newton-Raphson-Methode verwendet. (9).

Während des AM-Prozesses kommt es aufgrund der unterschiedlichen thermischen Vorgeschichte zu erheblichen Schwankungen der mechanischen Eigenschaften. Um die Korrelation zwischen Abkühlzeit und mechanischen Eigenschaften zu untersuchen (z. B. Abb. 6a – d), extrahieren wir einen reduzierten Satz von Datenmerkmalen aus jedem thermischen Verlauf, indem wir jeden thermischen Verlauf in verschiedene Temperaturbereiche mit 25-K-Intervallen unterteilen und dann die Summe berechnen Zeit, die in jedem Temperaturbereich nach der Erstarrung verbracht wird (siehe ergänzende Abbildung 4). Da wir uns hauptsächlich auf die thermischen Auswirkungen auf die mechanischen Eigenschaften während der Materialerstarrungsperiode konzentrieren, berücksichtigen wir den Temperaturverlauf erst, nachdem die Temperatur zum letzten Mal unter die Solidustemperatur gesunken ist (der thermische Verlauf im weißen Bereich in der ergänzenden Abbildung 4).

Es wird erwartet, dass die Abkühlgeschwindigkeit die Bildung der Mikrostruktur und die endgültigen mechanischen Eigenschaften beeinflusst21,80,81. In dieser Arbeit berechnen wir die Abkühlungsrate als durchschnittliche Steigung des Temperaturverlaufs zwischen dem letzten Durchgang der Solidustemperatur (1533 K) und einer willkürlich gewählten Temperatur von 1450 K für alle untersuchten Punkte. Wir haben die Abkühlungsrate unmittelbar nach dem letzten thermischen Zyklus im Temperaturbereich von 1533–1450 K berechnet, da davon ausgegangen wird, dass das letzte Erstarrungsereignis an einem Punkt für die resultierende Mikrostruktur am wichtigsten sein wird. Ein Beispiel für die Berechnung der Abkühlgeschwindigkeit ist in der ergänzenden Abbildung 10 dargestellt.

Da der Abstand der primären Dendritenarme mit der Erstarrungsgeschwindigkeit und dem Wärmegradienten zusammenhängt, haben wir die Erstarrungsgeschwindigkeit aus den simulierten Temperaturfeldern berechnet, wie in der ergänzenden Abbildung 11 dargestellt. Die Erstarrungsgeschwindigkeit verläuft in Richtung des Normalenvektors zur Oberfläche des Flüssig-Fest-Grenzfläche, die durch die Farben Rot und Orange unterteilt ist. Die Erstarrungsrate Vs kann durch \({V}_{s}=V\cos \theta\) berechnet werden, wobei V die Laserscangeschwindigkeit und θ der Winkel zwischen der Laserscanrichtung und der Richtung des Normalenvektors to ist die Flüssigkeit-Fest-Grenzfläche. Da jeder Punkt in der dünnen Wand wiederholten thermischen Zyklen unterliegt, konzentrieren wir uns nur auf die Prozessstruktureigenschaften während der Erstarrungsperiode und berechnen die Erstarrungsgeschwindigkeit bei der letzten Solidustemperatur für den Ort.

Wir verwenden das 1D-CNN, um Merkmale aus thermischen Vorgeschichten zu extrahieren und mechanische Eigenschaften vorherzusagen, einschließlich UTS, Fließgrenze, Bruchspannung und Modul. Die Eingabe des CNN-Modells ist der thermische Verlauf an einem bestimmten Ort in Form einer Reihe von Temperaturwerten zu regelmäßigen Zeitpunkten. Die Ausgabe sind mechanische Eigenschaften für entsprechende Standorte. Da die IR-gemessene Temperatur die Temperatur im wichtigen anfänglichen Erstarrungsbereich nicht genau erfasst, wie in Abb. 2 dargestellt, verwenden wir simulierte thermische Verläufe anstelle von experimentellen Daten als Eingabe in das Modell. Um die thermische Verlaufskurve an jedem Probenpunkt zu erstellen, definieren wir die Anfangszeit t = 0 als den Zeitpunkt, zu dem der Laserpunkt diesen Ort zum ersten Mal für jeden Temperaturverlauf erreicht, dh wenn das Material zum ersten Mal an diesem Ort hinzugefügt wird. Beachten Sie, dass es praktisch ist, jeden Satz von Eingabedaten mit derselben Größe in das CNN zu laden. Wir füllen die Daten mit einer linearen Extrapolation bis zur endgültigen konstanten Umgebungstemperatur auf eine einheitliche maximale Zeit auf, wie in der ergänzenden Abbildung 12 dargestellt. Um den Rechenaufwand zu reduzieren, stichproben wir jeden 10. Punkt aus den Originaldaten, sodass die Punkte durch getrennt sind ein Zeitintervall von Δt = 1,2 s. Wir stellen fest, dass 1000 Punkte eine ausreichende Auflösung bieten, um die Temperaturverlaufskurve genau zu definieren.

Die in diesem Artikel verwendete CNN-Architektur beginnt mit drei Faltungsblöcken, wie in Abb. 7 dargestellt. Für jeden Faltungsblock werden 32, 64 und 64 Filter mit einer Kernelgröße von 5 × 1 für die erste, zweite und dritte Faltungsschicht ausgewählt. In jedem Faltungsblock wird eine Max-Pooling-Schicht mit einer Filtergröße von 2 × 1 angewendet, und für alle Faltungs- und vollständig verbundenen Schichten wird eine Aktivierung einer gleichgerichteten linearen Einheit (ReLU) verwendet. Die extrahierten Informationen aus vorherigen Faltungsblöcken werden abgeflacht und zwei vollständig verbundenen Schichten mit 100 bzw. 80 Neuronen zugeführt. Die Eingabedatengröße beträgt 1000, was der Länge der Zeitreihe der Temperaturwerte entspricht. Die Ausgabegröße beträgt 1. Sowohl die Eingabe- als auch die Ausgabedaten werden vor dem Laden in das CNN-Training auf Min-Max normalisiert. Der Adam-Optimierer wird im Training verwendet, um den mittleren quadratischen Fehler (MSE) zu minimieren. Um eine Überanpassung zu verhindern, wird eine Frühstoppmethode angewendet. Die Geduld des frühen Stopps beträgt 100 Epochen, was bedeutet, dass das Training beendet wird, wenn sich der Validierungsverlust nach 100 Epochen nicht verbessert. Der Datensatz wird in 70 % für Training und 30 % für Tests aufgeteilt, und die Testdaten werden zur Messung des Validierungsverlusts verwendet.

Die MSE ist im folgenden Format definiert:

Um die Leistung der CNN-Struktur zu bewerten, wird der R2-Score basierend auf der Differenz zwischen vorhergesagtem und gemessenem UTS berechnet:

Dabei ist \({\hat{y}}_{i}\) der vorhergesagte Wert der i-ten Stichprobe, yi der tatsächliche Wert der Stichprobe und \(\bar{y}\) der Mittelwert aller tatsächlichen Daten und n ist die Anzahl der Proben. Je größer R2 ist, desto besser ist die Vorhersage.

In dieser Arbeit wird eine Rastersuche angewendet, um die Hyperparameter im CNN abzustimmen. Ein CNN besteht aus Faltungsschichten, Pooling-Schichten und vollständig verbundenen Schichten. In der Faltungsschicht umfassen die Hyperparameter die Anzahl der Filter, die Kernelgröße und die Schrittzahlen. Für die Pooling-Schicht umfassen die Hyperparameter die Filtergröße, den Abstand und die Schrittzahlen. Wir müssen auch die Anzahl der Faltungsblöcke, die Anzahl der vollständig verbundenen Schichten und die Anzahl der Neuronen pro Schicht festlegen. Für die Optimierung der Hyperparameter suchen wir nach der Anzahl der Faltungsblöcke und der Filtergröße mit einer vorab gewählten Kernelgröße von fünf und einer Schrittgröße von eins. Die Anzahl der Faltungsblöcke variiert zwischen zwei und fünf und die Filtergröße variiert zwischen 32 und 256. Wir suchen auch nach der Anzahl der verborgenen Schichten in den vollständig verbundenen Schichten und der Anzahl der Neuronen pro Schicht, wobei die Anzahl der verborgenen Schichten zwischen eins und eins variiert fünf, und die Anzahl der Neuronen variiert von 10 bis 100 in Schritten von 10. Die Leistung jeder CNN-Struktur wird basierend auf dem R2-Score bewertet.

Die wichtigsten Daten, die die Ergebnisse dieser Studie stützen, sind im Papier und in den Zusatzinformationen aufgeführt. Die im CNN-Modell verwendeten Datensätze werden auch unter https://github.com/lichaofang/CNN_AM bereitgestellt, einschließlich verarbeiteter thermischer Vorgeschichten und mechanischer Eigenschaften. Zusätzliche Daten sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Der in dieser Studie verwendete CNN-Python-Code ist unter https://github.com/lichaofang/CNN_AM zu finden. Zusätzlicher Code, der in dieser Studie verwendet wird, ist auf begründete Anfrage beim entsprechenden Autor erhältlich.

Keller, T. et al. Anwendung von Finite-Elemente-, Phasenfeld- und CALPHAD-basierten Methoden zur additiven Fertigung von Ni-basierten Superlegierungen. Acta Mater. 139, 244–253 (2017).

Artikel CAS Google Scholar

DebRoy, T. et al. Additive Fertigung metallischer Bauteile – Prozess, Struktur und Eigenschaften. Prog. Mater. Wissenschaft. 92, 112–224 (2018).

Artikel CAS Google Scholar

Heigel, JC, Michaleris, P. & Reutzel, EW Thermomechanische Modellentwicklung und Validierung der additiven Fertigung durch gerichtete Energieabscheidung von Ti–6Al–4V. Zusatz. Hersteller 5, 9–19 (2015).

CAS Google Scholar

Wang, Z., Palmer, TA & Beese, AM Einfluss von Verarbeitungsparametern auf die Mikrostruktur und die Zugeigenschaften von austenitischem Edelstahl 304L, hergestellt durch additive Fertigung mit gerichteter Energieabscheidung. Acta Mater. 110, 226–235 (2016).

Artikel CAS Google Scholar

Gan, Z., Liu, H., Li, S., He, Int. J. Wärme-Massentransf. 111, 709–722 (2017).

Artikel CAS Google Scholar

Wei, H., Mazumder, J. & DebRoy, T. Entwicklung der Erstarrungstextur während der additiven Fertigung. Wissenschaft. Rep. 5, 16446 (2015).

Artikel CAS Google Scholar

Manvatkar, V., Gokhale, A., Reddy, GJ, Venkataramana, A. & De, A. Schätzung der Schmelzbadabmessungen, des Wärmezyklus und der Härteverteilung im lasertechnischen Netzformungsprozess von austenitischem Edelstahl. Metall. Mater. Trans. A 42, 4080–4087 (2011).

Artikel CAS Google Scholar

Li, Y. & Gu, D. Parametrische Analyse des thermischen Verhaltens bei der additiven Fertigung von Aluminiumlegierungspulvern durch selektives Laserschmelzen. Mater. Des. 63, 856–867 (2014).

Artikel CAS Google Scholar

Foroozmehr, A., Badrossamay, M., Foroozmehr, E. & Golabi, S. Finite-Elemente-Simulation des selektiven Laserschmelzprozesses unter Berücksichtigung der optischen Eindringtiefe des Lasers im Pulverbett. Mater. Des. 89, 255–263 (2016).

Artikel CAS Google Scholar

Kelly, S. & Kampe, S. Mikrostrukturelle Entwicklung in laserabgeschiedenen mehrschichtigen Ti-6Al-4V-Aufbauten: Teil II. thermische Modellierung. Metall. Mater. Trans. A 35, 1869–1879 (2004).

Artikel Google Scholar

Labudovic, M., Hu, D. & Kovacevic, R. Ein dreidimensionales Modell für die direkte Laser-Metallpulverabscheidung und Rapid Prototyping. J. Mater. Wissenschaft. 38, 35–49 (2003).

Artikel CAS Google Scholar

Jendrzejewski, R., Śliwiński, G., Krawczuk, M. & Ostachowicz, W. Temperatur- und Spannungsfelder, die beim Laserauftragschweißen induziert werden. Computer. Struktur. 82, 653–658 (2004).

Artikel Google Scholar

Wang, L., Felicelli, SD & Pratt, P. Eigenspannungen in mit LENS beschichteten AISI 410-Edelstahlplatten. Mater. Wissenschaft. Eng.: A 496, 234–241 (2008).

Artikel CAS Google Scholar

Ghosh, S. & Choi, J. Dreidimensionale transiente Finite-Elemente-Analyse für Eigenspannungen im lasergestützten direkten Metall-/Materialabscheidungsprozess. J. Laser Appl. 17, 144–158 (2005).

Artikel CAS Google Scholar

Tan, H. et al. Prozessmechanismen basierend auf der räumlichen Verteilung des Pulverflusses bei der direkten Metallabscheidung. J. Mater. Verfahren. Technol. 254, 361–372 (2018).

Artikel Google Scholar

Chukkan, JR, Vasudevan, M., Muthukumaran, S., Kumar, RR & Chandrasekhar, N. Simulation des Laserstumpfschweißens von AISI 316L-Edelstahlblech unter Verwendung verschiedener Wärmequellen und experimentelle Validierung. J. Mater. Verfahren. Technol. 219, 48–59 (2015).

Artikel CAS Google Scholar

Denlinger, ER, Jagdale, V., Srinivasan, G., El-Wardany, T. & Michaleris, P. Thermische Modellierung von Inconel 718, verarbeitet mit Pulverbettfusion und experimentelle Validierung mithilfe von In-situ-Messungen. Zusatz. Hersteller 11, 7–15 (2016).

CAS Google Scholar

Qian, L., Mei, J., Liang, J. & Wu, X. Einfluss von Position und Laserleistung auf die thermische Geschichte und Mikrostruktur von direkt lasergefertigten Ti-6Al-4V-Proben. Mater. Wissenschaft. Technol. 21, 597–605 (2005).

Artikel CAS Google Scholar

Bai, X., Zhang, H. & Wang, G. Modellierung der beweglichen Induktionsheizung, die als sekundäre Wärmequelle in der schweißbasierten additiven Fertigung verwendet wird. Int. J. Adv. Hersteller Technol. 77, 717–727 (2015).

Artikel Google Scholar

Bai, X., Zhang, H. & Wang, G. Verbesserung der Vorhersagegenauigkeit der thermischen Analyse für die schweißbasierte additive Fertigung durch Kalibrierung von Eingabeparametern mithilfe von IR-Bildgebung. Int. J. Adv. Hersteller Technol. 69, 1087–1095 (2013).

Artikel Google Scholar

Wolff, SJ et al. Experimentell validierte Vorhersagen zum thermischen Verlauf und zur Mikrohärte von laserabgeschiedenem Inconel 718 auf Kohlenstoffstahl. Zusatz. Hersteller 27, 540–551 (2019).

CAS Google Scholar

Bennett, JL et al. Einfluss der Abkühlgeschwindigkeit auf die Zugfestigkeit von laserabgeschiedenem Inconel 718. Procedia Manuf. 26, 912–919 (2018).

Artikel Google Scholar

Yan, Z. et al. Rezension zur thermischen Analyse in der laserbasierten additiven Fertigung. Opt. Lasertechnologie 106, 427–441 (2018).

Artikel CAS Google Scholar

Johnson, KL et al. Simulation und experimenteller Vergleich der thermomechanischen Geschichte und der 3D-Mikrostrukturentwicklung von 304L-Edelstahlrohren, die mit LENS hergestellt wurden. Berechnen. Mech. 61, 559–574 (2018).

Artikel Google Scholar

Price, S., Lydon, J., Cooper, K. & Chou, K. Experimentelle Temperaturanalyse der pulverbasierten additiven Elektronenstrahlfertigung. Im 24. jährlichen International Solid Freeform Fabrication Symposium, Austin, TX, 162–173 (2013).

Yang, D., Wang, G. & Zhang, G. Thermoanalyse für die mehrschichtige additive Fertigung auf GMAW-Basis in einem Durchgang mittels Infrarot-Thermografie. J. Mater. Verfahren. Technol. 244, 215–224 (2017).

Artikel Google Scholar

Zhou, S., Dai, X. & Zeng, X. Auswirkungen von Verarbeitungsparametern auf die Struktur von WC-Verbundbeschichtungen auf Ni-Basis während des Laserinduktions-Hybrid-Schnellauftragschweißens. Appl. Surfen. Wissenschaft. 255, 8494–8500 (2009).

Artikel CAS Google Scholar

Popovich, V. et al. Funktionell abgestuftes Inconel 718, verarbeitet durch additive Fertigung: kristallografische Textur, Anisotropie der Mikrostruktur und mechanische Eigenschaften. Mater. Des. 114, 441–449 (2017).

Artikel CAS Google Scholar

Thomas, A., El-Wahabi, M., Cabrera, J. & Prado, J. Hochtemperaturverformung von Inconel 718. J. Mater. Verfahren. Technol. 177, 469–472 (2006).

Artikel CAS Google Scholar

Raghavan, N. et al. Numerische Modellierung der Wärmeübertragung und des Einflusses von Prozessparametern auf die Anpassung der Kornmorphologie von IN718 in der additiven Elektronenstrahlfertigung. Acta Mater. 112, 303–314 (2016).

Artikel CAS Google Scholar

Gan, Z. et al. Benchmark-Studie zum thermischen Verhalten, zur Oberflächentopographie und zur dendritischen Mikrostruktur beim selektiven Laserschmelzen von Inconel 625. Integr. Mater. Hersteller Innov. 8, 178–193 (2019).

Artikel Google Scholar

Rappaz, M. & Gandin, CA Wahrscheinlichkeitsmodellierung der Mikrostrukturbildung in Erstarrungsprozessen. Acta Mater. 41, 345–360 (1993).

Artikel CAS Google Scholar

Li, S. et al. Schmelzbadbewegung, Temperaturschwankung und dendritische Morphologie von Inconel 718 während der additiven Fertigung mit gepulsten und kontinuierlichen Lasern: eine vergleichende Studie. Mater. Des. 119, 351–360 (2017).

Artikel CAS Google Scholar

Kurz, W. & Fisher, D. Dendritenwachstum an der Stabilitätsgrenze: Spitzenradius und -abstand. Acta Mater. 29, 11–20 (1981).

Artikel CAS Google Scholar

Raghavan, A., Wei, H., Palmer, T. & DebRoy, T. Wärmeübertragung und Flüssigkeitsfluss in der additiven Fertigung. J. Laser Appl. 25, 052006 (2013).

Artikel CAS Google Scholar

Herriott, C. & Spear, AD Vorhersage mikrostrukturabhängiger mechanischer Eigenschaften in additiv gefertigten Metallen mit maschinellen und Deep-Learning-Methoden. Berechnen. Mater. Wissenschaft. 175, 109599 (2020).

Artikel CAS Google Scholar

Guo, X., Li, W. & Iorio, F. Faltungs-Neuronale Netze für die Näherung des stetigen Flusses. In Proc. 22. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 481–490 (2016).

Kim, J. & Lee, C. Vorhersage der turbulenten Wärmeübertragung mithilfe von Faltungs-Neuronalen Netzen. J. Fluid Mech. 882, A18 (2020).

Artikel CAS Google Scholar

Fonda, E., Pandey, A., Schumacher, J. & Sreenivasan, KR Deep Learning in turbulenten Konvektionsnetzwerken. Proz. Natl. Acad. Wissenschaft. USA 116, 8667–8672 (2019).

Artikel CAS Google Scholar

Abdeljaber, O., Avci, O., Kiranyaz, S., Gabbouj, M. & Inman, DJ Vibrationsbasierte Erkennung struktureller Schäden in Echtzeit mithilfe eindimensionaler Faltungs-Neuronalnetze. J. Sound Vib. 388, 154–170 (2017).

Artikel Google Scholar

Kiranyaz, S., Ince, T. & Gabbouj, M. Patientenspezifische EKG-Klassifizierung in Echtzeit durch 1-D-Faltungs-Neuronale Netze. IEEE Trans. Biomed. Ing. 63, 664–675 (2015).

Artikel Google Scholar

Abdeljaber, O. et al. 1-D-CNNs zur Erkennung von Strukturschäden: Verifizierung anhand von Benchmark-Daten zur Überwachung des Strukturzustands. Neurocomputing 275, 1308–1317 (2018).

Artikel Google Scholar

Kiranyaz, S. et al. 1D-Faltungs-Neuronale Netze und Anwendungen: eine Umfrage. Mech. Syst. Signalprozess. 151, 107398 (2021).

Artikel Google Scholar

Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M. & Inman, DJ Drahtlose und Echtzeiterkennung von Strukturschäden: eine neuartige dezentrale Methode für drahtlose Sensornetzwerke. J. Sound Vib. 424, 158–172 (2018).

Artikel Google Scholar

Yang, D., Pang, Y., Zhou, B. & Li, K. Fehlerdiagnose für das Energie-Internet mithilfe korrelationsbasierter Faltungs-Neuronaler Netze. IEEE Trans. Syst. Man Cybern.: Syst. 49, 1739–1748 (2019).

Artikel Google Scholar

Schirrmeister, RT et al. Deep Learning mit Faltungs-Neuronalen Netzen zur EEG-Dekodierung und -Visualisierung. Summen. Brain Mapp. 38, 5391–5420 (2017).

Artikel Google Scholar

Xie, X. et al. Mechanistische datengesteuerte Vorhersage der mechanischen Eigenschaften im Bauzustand in der additiven Metallfertigung. npj-Berechnung. Mater. 7, 1–12 (2021).

Artikel CAS Google Scholar

Mahendran, A. & Vedaldi, A. Visualisierung tiefer Faltungs-Neuronaler Netze mithilfe natürlicher Vorbilder. Int. J. Comput. Vis. 120, 233–255 (2016).

Artikel Google Scholar

Yosinski, J., Clune, J., Nguyen, A., Fuchs, T. & Lipson, H. Neuronale Netze durch tiefe Visualisierung verstehen. arXiv:1506.06579 (2015).

Sui, S. et al. Der Einfluss von Laves-Phasen auf die Zugeigenschaften von Inconel 718 bei Raumtemperatur, hergestellt durch additive Laserfertigung mit Pulverzufuhr. Acta Mater. 164, 413–427 (2019).

Artikel CAS Google Scholar

Abràmoff, MD, Magalhães, PJ & Ram, SJ Bildverarbeitung mit imagej. Biophotonik Int. 11, 36–42 (2004).

Google Scholar

Wolff, SJ et al. Ein Rahmen zur Verknüpfung von lokaler Kühlung und Eigenschaften von Ti-6Al-4V, das mit gerichteter Energieabscheidung (DED) verarbeitet wird. Acta Mater. 132, 106–117 (2017).

Artikel CAS Google Scholar

Vilaro, T., Colin, C. & Bartout, J.-D. Fertige und wärmebehandelte Mikrostrukturen der Ti-6Al-4V-Legierung, verarbeitet durch selektives Laserschmelzen. Metall. Mater. Trans. A 42, 3190–3199 (2011).

Artikel CAS Google Scholar

Aboulkhair, NT, Everitt, NM, Ashcroft, I. & Tuck, C. Reduzierung der Porosität in AlSi10Mg-Teilen, die durch selektives Laserschmelzen verarbeitet wurden. Zusatz. Hersteller 1, 77–86 (2014).

Google Scholar

Li, S., Wei, Q., Shi, Y., Zhu, Z. & Zhang, D. Mikrostruktureigenschaften der Inconel 625-Superlegierung, hergestellt durch selektives Laserschmelzen. J. Mater. Wissenschaft. Technol. 31, 946–952 (2015).

Artikel CAS Google Scholar

Nie, P., Ojo, O. & Li, Z. Numerische Modellierung der Mikrostrukturentwicklung während der laseradditiven Fertigung einer Superlegierung auf Nickelbasis. Acta Mater. 77, 85–95 (2014).

Artikel CAS Google Scholar

Kirkaldy, J., Liu, L. & Kroupa, A. Dünnschichtzellen mit erzwungener Geschwindigkeit und zelluläre Dendriten-II. Datenanalyse. Acta Mater. 43, 2905–2915 (1995).

Artikel CAS Google Scholar

Liu, L. & Kirkaldy, J. Dünnschichtzellen mit erzwungener Geschwindigkeit und zelluläre Dendriten-I. Experimente. Acta Mater. 43, 2891–2904 (1995).

Artikel CAS Google Scholar

Ge, J., Lin, J., Fu, H., Lei, Y. & Xiao, R. Eine räumliche Periodizität der mikrostrukturellen Entwicklung und der Anti-Eindruck-Eigenschaften von 2Cr13-Dünnwandteilen mit additiver Drahtlichtbogenfertigung. Mater. Des. 160, 218–228 (2018).

Artikel CAS Google Scholar

Chen, L. et al. Anisotrope Reaktion einer Ti-6Al-4V-Legierung, hergestellt durch selektives Laserschmelzen im 3D-Druck. Mater. Wissenschaft. Eng.: A 682, 389–395 (2017).

Artikel CAS Google Scholar

Anderson, M., Thielin, A.-L., Bridier, F., Bocher, P. & Savoie, J. δ-Phasenausfällung in Inconel 718 und damit verbundene mechanische Eigenschaften. Mater. Wissenschaft. Eng.: A 679, 48–55 (2017).

Artikel CAS Google Scholar

Kumara, C., Balachandramurthi, AR, Goel, S., Hanning, F. & Moverare, J. Auf dem Weg zu einem besseren Verständnis der Phasenumwandlungen bei der additiven Fertigung von Legierung 718. Materialia 13, 100862 (2020).

Artikel CAS Google Scholar

Antonsson, T. & Fredriksson, H. Der Einfluss der Abkühlgeschwindigkeit auf die Erstarrung von INCONEL 718. Metall. Mater. Trans. B 36, 85–96 (2005).

Artikel Google Scholar

Ghosh, S., Stoudt, MR, Levine, LE & Guyer, JE Bildung von Nb-reichen Tröpfchen in laserabgeschiedenen Ni-Matrix-Mikrostrukturen. Scr. Mater. 146, 36–40 (2018).

Artikel CAS Google Scholar

Ghosh, S. et al. Einspurige Schmelzbadmessungen und Mikrostrukturen in Inconel 625. JOM 70, 1011–1016 (2018).

Artikel CAS Google Scholar

Oradei-Basile, A. & Radavich, JF Ein aktuelles TTT-Diagramm für die Knetlegierung 718. Superalloys 718, 325–335 (1991).

Artikel Google Scholar

Lindwall, G. et al. Simulation von TTT-Kurven für additiv gefertigtes Inconel 625. Metall. Mater. Trans. A 50, 457–467 (2019).

Artikel CAS Google Scholar

Stoudt, MR et al. Der Einfluss von Glühtemperatur und -zeit auf die Bildung der δ-Phase in additiv gefertigtem Inconel 625. Metall. Mater. Trans. A 49, 3028–3037 (2018).

Artikel CAS Google Scholar

Zhang, F. et al. Einfluss der Wärmebehandlung auf die mikrostrukturelle Entwicklung einer durch Laser-Pulverbettschmelzen additiv hergestellten Superlegierung auf Nickelbasis. Acta Mater. 152, 200–214 (2018).

Artikel CAS Google Scholar

Kuo, Y.-L., Horikawa, S. & Kakehi, K. Der Einfluss der interdendritischen δ-Phase auf die mechanischen Eigenschaften von Alloy 718, das durch additive Fertigung aufgebaut wurde. Mater. Des. 116, 411–418 (2017).

Artikel CAS Google Scholar

Li, R., Yao, M., Liu, W. & He, X. Isolierung und Bestimmung für δ-, \({\gamma }^{\prime}\)- und γ''-Phasen in der Inconel 718-Legierung. Scr. Mater. 46, 635–638 (2002).

Artikel CAS Google Scholar

Yan, W. et al. Datengesteuerte Charakterisierung thermischer Modelle für die additive Fertigung durch Pulverbettfusion. Zusatz. Hersteller 36, 101503 (2020).

Google Scholar

Le, T.-N. & Lo, Y.-L. Auswirkungen der Schwefelkonzentration und der Marangoni-Konvektion auf die Schmelzbadbildung im Übergangsmodus des selektiven Laserschmelzprozesses. Mater. Des. 179, 107866 (2019).

Artikel CAS Google Scholar

Bennett, J., Glerum, J. & Cao, J. Zusammenhang der Zugeigenschaften additiv gefertigter Teile mit thermischen Kennzahlen. CIRP Ann. - Hersteller Technol. 70, 187–190 (2021).

Artikel Google Scholar

He, X., Yu, G. & Mazumder, J. Temperatur- und Zusammensetzungsprofil beim Doppelspur-Laserauftragschweißen von H13-Werkzeugstahl. J. Phys. D: Appl. Physik. 43, 015502 (2009).

Artikel CAS Google Scholar

Pratt, P., Felicelli, S., Wang, L. & Hubbard, C. Restspannungsmessung von lasertechnisch hergestellten, netzformenden AISI 410-Dünnplatten mittels Neutronenbeugung. Metall. Mater. Trans. A 39, 3155–3163 (2008).

Artikel CAS Google Scholar

Zheng, B., Zhou, Y., Smugeresky, J., Schoenung, J. & Lavernia, E. Thermisches Verhalten und mikrostrukturelle Entwicklung während der Laserabscheidung mit lasertechnischer Netzformung: Teil I. numerische Berechnungen. Metall. Mater. Trans. A 39, 2228–2236 (2008).

Artikel CAS Google Scholar

Zheng, B., Zhou, Y., Smugeresky, J., Schoenung, J. & Lavernia, E. Thermisches Verhalten und Mikrostrukturentwicklung während der Laserabscheidung mit lasertechnischer Netzformung: Teil II. experimentelle Untersuchung und Diskussion. Metall. Mater. Trans. A 39, 2237–2245 (2008).

Artikel CAS Google Scholar

Anisimov, SI & Khokhlov, VA Instabilities in Laser-materie Interaction (CRC press, 1995).

Zhang, W. et al. Einfluss der Abkühlgeschwindigkeiten auf die Dendritenabstände der gerichtet erstarrten DZ125-Legierung bei hohem Wärmegradienten. Rare Metals 28, 633 (2009).

Artikel CAS Google Scholar

Wei, H., Knapp, G., Mukherjee, T. & DebRoy, T. Dreidimensionales Kornwachstum beim Mehrschichtdruck einer Nickelbasislegierung Inconel 718. Addit. Hersteller 25, 448–459 (2019).

CAS Google Scholar

Referenzen herunterladen

Diese Arbeit wurde von der National Science Foundation (NSF) unter der Grant-Nr. CMMI-1934367 und dem Beijing Institute of Collaborative Innovation unter der Grant-Nr. 20183405 unterstützt. JAG und JB danken dem US Army Research Laboratory für die Unterstützung unter der Grant-Nr. W911NF-19 -2-0092. Für die SEM-Analyse wurden die EPIC-Einrichtung des NUANCE Center und die MatCI-Einrichtung des Materials Research Center der Northwestern University genutzt, die von der NSF unter den Zuschussnummern ECCS-1542205 und DMR-1720139, dem International Institute for Nanotechnology (IIN), unterstützt wurden ), der Keck Foundation und dem Bundesstaat Illinois über das IIN.

Lin Cheng

Aktuelle Adresse: Department of Mechanical and Materials Engineering, Worcester Polytechnic Institute, Worcester, MA, 01609, USA

Jennifer Bennett

Aktuelle Adresse: Department of Civil and Mechanical Engineering, US Military Academy at West Point, West Point, NY, 10996, USA

Fakultät für Maschinenbau, Northwestern University, Evanston, IL, 60208, USA

Lichao Fang, Lin Cheng, Jennifer Bennett, Jian Cao und Gregory J. Wagner

Abteilung für Materialwissenschaft und Werkstofftechnik, Northwestern University, Evanston, IL, 60208, USA

Jennifer A. Glerum

DMG MORI, Hoffman Estates, IL, 60192, USA

Jennifer Bennett

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

LF konzipierte die Studie, entwickelte das thermische Modell, entwarf die Modelle für maschinelles Lernen, analysierte die Ergebnisse und verfasste die Manuskripte und ergänzenden Informationen. LC trug zur Diskussion datengesteuerter Modelle bei. JAG führte die SEM-Mikrostrukturcharakterisierung durch. JB führte die DED-Experimente und Zugversuche durch. JC überwachte die DED-Experimente. GJW betreute das Projekt, konzipierte die Studie mit und war Mitautor und Redakteur des Manuskripts. Alle Autoren trugen zur Diskussion der Ergebnisse und zur Manuskripterstellung bei.

Korrespondenz mit Gregory J. Wagner.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Ergänzende Informationen: Datengesteuerte Analyse von Prozess, Struktur und Eigenschaften additiv gefertigter Inconel 718-Dingwände

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Fang, L., Cheng, L., Glerum, JA et al. Datengesteuerte Analyse von Prozess, Struktur und Eigenschaften additiv gefertigter Inconel 718-Dünnwände. npj Comput Mater 8, 126 (2022). https://doi.org/10.1038/s41524-022-00808-5

Zitat herunterladen

Eingegangen: 16. September 2021

Angenommen: 10. Mai 2022

Veröffentlicht: 06. Juni 2022

DOI: https://doi.org/10.1038/s41524-022-00808-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Fortschritte in der additiven Fertigung (2023)

Rezensionen zu Umweltkontamination und Toxikologie (2022)