Datengestützte Quantifizierung der Unsicherheiten für laserbasierte Pulverbettfusion in der additiven Fertigung

Belangrijkste concepten

Die Studie präsentiert einen effizienten Ansatz zur Quantifizierung der Unsicherheiten, die mit numerischen Simulationen des laserbasierten Pulverbettschmelzens von Metallen verbunden sind. Der Fokus liegt auf einem thermomechanischen Modell eines Inconel 625 Auskragungsträgers, basierend auf dem AMBench2018-01-Benchmark des National Institute of Standards and Technology (NIST). Der vorgeschlagene Ansatz besteht aus einer vorwärtsgerichteten Unsicherheitsquantifizierung der Restspannungen des Auskragungsträgers unter Berücksichtigung der Unsicherheit bei einigen Parametern der numerischen Simulation, nämlich dem Pulverkonvektionskoeffizienten und der Aktivierungstemperatur. Die Unsicherheit dieser Parameter wird durch eine datengestützte Wahrscheinlichkeitsdichtefunktion modelliert, die durch ein Bayes'sches Inversionverfahren auf der Grundlage der vom NIST bereitgestellten Verschiebungsmessdaten gewonnen wird.

Samenvatting

Die Studie präsentiert einen effizienten Ansatz zur Quantifizierung der Unsicherheiten in numerischen Simulationen des laserbasierten Pulverbettschmelzens (PBF-LB/M) von Metallen. Der Fokus liegt auf einem thermomechanischen Modell eines Inconel 625 Auskragungsträgers, basierend auf dem AMBench2018-01-Benchmark des NIST.

Der Ansatz besteht aus zwei Schritten:

1. Bayessche Inverse Unsicherheitsquantifizierung:

• Es werden zwei unsichere Parameter identifiziert: der Pulverkonvektionskoeffizient und die Aktivierungstemperatur.
• Mithilfe eines Bayes'schen Inversionverfahrens und der vom NIST bereitgestellten Verschiebungsmessdaten wird eine datengestützte Wahrscheinlichkeitsdichtefunktion (PDF) für diese Parameter berechnet.

2. Datengestützte Vorwärts-Unsicherheitsquantifizierung:

• Die datengestützte PDF der unsicheren Parameter wird verwendet, um die Unsicherheiten in der Vorhersage der Restspannungen des Auskragungsträgers zu quantifizieren.
• Der Ansatz führt zu einer 33%igen Reduzierung der Unsicherheiten in der Vorhersage der Restspannungen im Vergleich zu einer Analyse, die auf a-priori-Parameterbereichen basiert.
• Die wahrscheinlichsten Werte der Restspannungen stimmen gut mit den experimentellen Daten des NIST überein, obwohl nur Verschiebungsdaten für das Bayes'sche Inversionverfahren verwendet wurden.

Um die hohe Rechenzeit der numerischen Simulationen zu bewältigen, wird ein Multi-Fidelity-Surrogatmodell auf Basis der Multi-Index Stochastic Collocation (MISC) Methode eingesetzt.

Statistieken

Die Aktivierungstemperatur beträgt etwa 1386°C.
Der Pulverkonvektionskoeffizient beträgt etwa e^(-3).

Citaten

Keine relevanten Zitate identifiziert.

Belangrijkste Inzichten Gedestilleerd Uit

Data-informed uncertainty quantification for laser-based powder bed fusion additive manufacturing

by Mihaela Chia... om arxiv.org 03-21-2024

https://arxiv.org/pdf/2311.03823.pdf

Diepere vragen

Wie könnte man den vorgeschlagenen Ansatz auf andere additive Fertigungsverfahren oder Materialien erweitern

Um den vorgeschlagenen Ansatz auf andere additive Fertigungsverfahren oder Materialien zu erweitern, könnte man ähnliche Unsicherheitsquantifizierungs- und Surrogatmodellierungstechniken anwenden. Zunächst müssten die relevanten unsicheren Parameter für das spezifische Fertigungsverfahren oder Material identifiziert werden. Anschließend könnte man experimentelle Daten verwenden, um eine data-informed Bayesian-Inversionsanalyse durchzuführen und die Unsicherheiten in den Modellparametern zu quantifizieren. Die Verwendung von Multi-Fidelity-Surrogatmodellen, wie dem Multi-Index-Stochastic-Collocation-Ansatz, könnte auch in anderen Szenarien effektiv sein, um die Rechenleistung zu optimieren und genaue Vorhersagen zu treffen.

Welche Auswirkungen hätte eine Korrelation zwischen den unsicheren Parametern auf die Ergebnisse der Unsicherheitsquantifizierung

Eine Korrelation zwischen den unsicheren Parametern könnte signifikante Auswirkungen auf die Ergebnisse der Unsicherheitsquantifizierung haben. Wenn die unsicheren Parameter korreliert sind, bedeutet dies, dass Änderungen in einem Parameter auch Änderungen in einem oder mehreren anderen Parametern zur Folge haben. In der Unsicherheitsquantifizierung könnte dies bedeuten, dass die Unsicherheiten in den Modellvorhersagen stärker miteinander verbunden sind, was zu komplexeren und möglicherweise unvorhersehbareren Ergebnissen führen könnte. Es könnte auch die Genauigkeit der Surrogatmodelle beeinflussen, da die Beziehung zwischen den Parametern berücksichtigt werden muss.

Inwiefern könnte die Unsicherheitsquantifizierung dazu beitragen, das Verständnis der komplexen physikalischen Phänomene in der PBF-LB/M-Technologie zu vertiefen

Die Unsicherheitsquantifizierung könnte dazu beitragen, das Verständnis der komplexen physikalischen Phänomene in der PBF-LB/M-Technologie zu vertiefen, indem sie Einblicke in die Auswirkungen der Unsicherheiten auf die Prozessergebnisse liefert. Durch die Identifizierung und Quantifizierung der Unsicherheiten in den Modellparametern können Ingenieure und Forscher besser verstehen, wie verschiedene Faktoren die Ergebnisse der additiven Fertigung beeinflussen. Dies kann dazu beitragen, die Prozesssteuerung zu verbessern, die Qualität der hergestellten Teile zu optimieren und letztendlich die Zuverlässigkeit und Effizienz der PBF-LB/M-Technologie zu steigern.