Das vorgeschlagene tiefe Reinforcement-Learning-basierte Bahnverfolgungsverfahren zielt darauf ab, eine gleichmäßig verteilte Temperaturverteilung zu erreichen und extreme Fälle von Wärmeakkumulation zu vermeiden, um die Verformung der Bauteile während des Laser-Pulverbett-Fusions-Prozesses zu reduzieren.
Optimale rollenbasierte Pulververteilung für hochkohäsive Pulver hängt von einer Kombination aus Oberflächenreibung der Rolle und Rollkinematik ab, die ausreichend kinetische Energie zum Brechen der Kohäsionskräfte zwischen den Pulverpartikeln liefert. Übermäßige Rotation kann jedoch zu übermäßiger kinetischer Energie des Pulvers führen, was zu Partikelauswurf und einer ungleichmäßigen Schicht führt.
Eine Cloud-basierte Fertigungsplattform als Dienstleistung kann die additive Fertigung durch lokale und bedarfsgerechte Produktion effizienter und nachhaltiger gestalten.
Durch den Einsatz von Bayesscher Optimierung können die Regelparameter für die Extrusionskraftregelung in der Fused-Filament-Fertigung (FFF) automatisch optimiert werden, um eine hohe Druckqualität zu erreichen. Zusätzlich kann durch den Einsatz von Transfer Learning die Konvergenzgeschwindigkeit der Optimierung deutlich beschleunigt werden.
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.
Ein neuartiger heterogener Multi-Fidelity-Gaußprozess-Ansatz ermöglicht eine präzise und effiziente Vorhersage der Schmelzbadgeometrie in der lasergesteuerten Energieabscheidung, indem Modelle unterschiedlicher Komplexität und Genauigkeit kombiniert werden.
Eine skalierbare und genaue Simulation der thermischen Geschichte des Laser-Pulverbett-Fusions-Prozesses, die durch experimentell erfasste Schmelzbadbilder validiert wurde.
Durch den Einsatz von Maschinenlernmethoden können die mechanischen Eigenschaften von Bauteilen in der metallischen additiven Fertigung genau vorhergesagt werden, was die Qualität und Zuverlässigkeit gedruckter Teile erhöht.