今天小编要和大家分享的是制造,封装相关信息，接下来我将从如何减少增材制造部件中的缺陷？，机器学习与数据挖掘这几个方面来介绍。
制造,封装相关技术文章如何减少增材制造部件中的缺陷？
未来几十年如果继续保持技术创新的态势，尤其是在运输和能源领域，必将伴随着制造科学的进步。由于增材制造能生产具有复杂几何形状和卓越性能的部件，而这些部件的材料和能源浪费最少，因此增材制造已经在这一转变中发挥了关键作用。激光粉末床熔合（L-PBF）是一种广泛使用的增材工艺，因为它能够生产出具有几何公差的致密金属部件。在L-PBF中，激光扫描金属粉末床，并在路径中将粉末熔化以形成一层一层的固体成分。尽管L-PBF制造的部件具有商业用途，但它们在高性能角色（例如涡轮风扇组件）中的使用受到空隙、裂纹、表面粗糙度和其他缺陷的普遍出现的限制。近年来，大量的研究努力旨在减少增材制造部件中缺陷的形成。
与现有方法相反，这里研究人员研究了称为锁孔孔隙度的地下孔隙的形成与整个L-PBF过程中材料点的热历史之间的联系。当熔池中的能量密度过剩时，通常是由于高激光功率和低扫描速度导致的，产生的熔池变得更深，并且存在一个汽化材料的凹陷区，工艺进入键孔模式。锁孔的孔隙度是由锁孔或凹陷区的不稳定性引起的。研究人员认为，热历史的特征（例如最大辐射率和随时间变化的冷却速率）与熔池的动力学相关。为了研究这些现象，研究采用了定制设备，其中可编程的激光在粉床上进行扫描。使用固定红外（IR）相机测量表面的热特征（以黑体辐射的形式），同时通过基于同步加速器的高速X射线成像观察熔池动力学和孔隙形成。在获得用于处理条件分布的热历史和相关孔隙率水平的数据集后，采用遗传算法（GA）选择关键特征，以校准各种机器学习（ML）技术。结果是一个预测模型，该模型给出了IR测得的以前未表征的加工条件的热历史，从而形成了形成孔隙的可能性。虽然仅靠热历史不可能足以预测孔隙率，但它有望成为一种与机器设置和复杂零件的加工路径无关的工具。这是一个重要的标准，因为仅依靠激光参数（例如功率、扫描速度和光斑大小）和简单的构建参数的模型将无法解决实际零件中热量积累的复杂分布。这项工作为实时控制L-PBF提供了一种工具，其目的是生产出缺陷水平较低的部件。
