Skalierbare pfadbasierte thermische Simulationen des PBF-Prozesses validiert durch Schmelzbadbilder

Core Concepts

Eine skalierbare und genaue Simulation der thermischen Geschichte des Laser-Pulverbett-Fusions-Prozesses, die durch experimentell erfasste Schmelzbadbilder validiert wurde.

Abstract

Der Artikel beschreibt die Entwicklung eines skalierbaren thermischen Simulationsansatzes für den Laser-Pulverbett-Fusions-Prozess (PBF), der auf dem Contact-Aware Path-Level (CAPL)-Ansatz aufbaut. Der neue Ansatz (PBF-CAPL) erbt die lineare Skalierbarkeit von CAPL und enthält drei neuartige Komponenten:

Zur Simulation des Laserscannens auf einer Festkörperoberfläche wird der gesamte Simulationsbereich und nicht nur der Fertigungspfad diskretisiert, indem fiktive Pfade an den Fertigungspfad angefügt werden.

Zur Simulation des Scannens auf überlappenden Pfaden werden die Elementbreiten durch ein Voronoi-Diagramm der Fertigungspfade initialisiert.

Es wird ein modifiziertes Wärmeleitungsmodell vorgeschlagen, das den hohen Temperaturgradienten um das Schmelzbad berücksichtigt.

Die neue Methode wird anhand von Schmelzbadbildern validiert, die mit dem co-axialen Schmelzbadüberwachungssystem (MPM) auf dem Additive Manufacturing Metrology Testbed (AMMT) von NIST aufgenommen wurden. Es wird eine hervorragende Übereinstimmung der Länge und Breite der Schmelzbäder zwischen Simulationen und Experimenten auf einem Nickel-Legierungs-Festkörpersubstrat (IN625) gefunden. Darüber hinaus werden der Einfluss der Laserleistung auf die Schmelzbadlänge und mögliche Verbesserungen der CAPL-Simulation diskutiert.

Stats

Die Solidustemperatur von IN625 beträgt 1563 K.
Die Liquidustemperatur von IN625 beträgt 1623 K.
Die Umgebungstemperatur beträgt 293 K.
Die Schmelzenthalpie von IN625 beträgt 290 kJ/kg.
Die spezifische Wärmekapazität von IN625 beträgt 339 + 0,24T J/(kg K) für T ≤ TS und 735 J/(kg K) für T ≤ TL.
Die Wärmeleitfähigkeit von IN625 beträgt 5,3 + 0,015T W/(m K) für T ≤ TS und 30,05 W/(m K) für T ≤ TL.
Die Dichte von IN625 beträgt 8440 kg/m³.
Der Wärmeübergangskoeffizient beträgt 10 W/(m²K).
Die Substrattemperatur beträgt 293 K.
Der Laserspotdurchmesser beträgt 85 μm.

Quotes

"Die thermische Geschichte des Laser-Pulverbett-Fusions-Prozesses ist aufgrund ihrer erheblichen Auswirkungen auf die Materialeigenschaften, Eigenspannungen und Verzug oder Verformung des Bauteils von entscheidender Bedeutung."
"Der Contact-Aware Path-Level (CAPL)-Diskretisierungsansatz wurde kürzlich vorgeschlagen, um skalierbare thermische Simulationen auf Pfadebene von AM-Prozessen mit einer bewegten Wärmequelle zu unterstützen."

Key Insights Distilled From

Scalable Path Level Thermal History Simulation of PBF process validated by Melt Pool Images

by Xin Liu,Xing... at arxiv.org 03-20-2024

https://arxiv.org/pdf/2308.02473.pdf

Deeper Inquiries

Wie könnte man den Einfluss der Oberflächenrauigkeit auf die Laserstrahlabsorption in das Simulationsmodell integrieren?

Um den Einfluss der Oberflächenrauigkeit auf die Laserstrahlabsorption in das Simulationsmodell zu integrieren, könnte man eine parametrisierte Absorptivitätsfunktion verwenden, die die Oberflächenrauigkeit als Eingangsparameter berücksichtigt. Die Absorptivität könnte als Funktion der Oberflächenrauigkeit modelliert werden, wobei eine höhere Rauigkeit zu einer höheren Absorptionsrate führt. Dies könnte durch experimentelle Daten validiert und in das Simulationsmodell implementiert werden, um eine genauere Vorhersage der thermischen Geschichte und des Schmelzverhaltens zu ermöglichen.

Welche Gegenargumente gibt es gegen den Ansatz, die Schmelzbadform mithilfe von maschinellem Lernen vorherzusagen?

Ein mögliches Gegenargument gegen den Ansatz, die Schmelzbadform mithilfe von maschinellem Lernen vorherzusagen, könnte die Komplexität und den Trainingsaufwand des Modells betreffen. Die Vorhersage der Schmelzbadform erfordert möglicherweise eine große Menge an Trainingsdaten und eine komplexe Modellarchitektur, um die Vielzahl von Einflussfaktoren und Variablen zu berücksichtigen, die das Schmelzverhalten beeinflussen. Darüber hinaus könnte die Interpretierbarkeit des maschinellen Lernmodells eine Herausforderung darstellen, da komplexe neuronale Netzwerke schwer nachvollziehbar sein können.

Wie könnte man die Erkenntnisse aus dieser Studie zur Optimierung des Laser-Pulverbett-Fusions-Prozesses nutzen, um die Bauteilqualität und -leistung zu verbessern?

Die Erkenntnisse aus dieser Studie könnten zur Optimierung des Laser-Pulverbett-Fusions-Prozesses genutzt werden, um die Bauteilqualität und -leistung zu verbessern, indem sie zur Entwicklung präziserer thermischer Simulationsmodelle beitragen. Durch die Integration von experimentell validierten Absorptivitätsmodellen, Oberflächenrauigkeitsfaktoren und maschinellen Lernalgorithmen zur Vorhersage der Schmelzbadform könnte die Prozesssteuerung und -optimierung verbessert werden. Dies könnte zu einer Reduzierung von Fehlern, einer besseren Kontrolle der Bauteilqualität und einer Steigerung der Produktionsleistung führen.