[发明专利]一种基于量纲分析的金属增材制造熔池形状预测方法

说明书

本发明公开了一种基于量纲分析的金属增材制造熔池形状预测方法，建立增材制造过程参数与熔池形状之间的定量物理模型。首先确定增材制造过程参数空间，并对制造过程参数空间进行量纲分析，建立无量纲参数之间的函数关系，并利用机器学习的方法对无量纲参数之间的函数关系进行训练，最终得到增材制造过程参数与熔池形状之间的量化关系函数模型。本发明可以降低对实验样本的依赖，增强模型的泛化能力。

技术领域

本发明涉及增材制造技术领域，特别是涉及一种基于量纲分析的金属增材制造熔池形状预测方法。

背景技术

金属增材制造过程是一个多物理、多尺度过程，包括微观尺度下材料-激光相互作用、介观尺度下熔池动力学以及宏观尺度下热力耦合。研究者们希望通过对成形参数的研究与优化，实现对熔池和沉积过程的控制，进而改善成形件的力学性能。为了能以更清晰、更准确的方式对这种关系进行描述,研究人员已尝试建立各种物理模型，寻找增材制造过程参数与熔池形状参数之间的联系。人们常常采用解析方法和数值模拟方法进行研究。然而，解析方法的缺点是往往只能求解某些简单场，或者把复杂的实际问题加以简化，简化的结果会带来不同程度的误差；数值模拟方法的缺点在于有时需要花费很大的工作量。为明确激光选区熔化过程机理和开发规律，研究人员也一直在尝试物理模拟手段。然而，这些物理模拟成果仅可以具体的指导特定工况和材料下的增材制造过程，不具有通用性。

除了上述物理驱动模型外，数据驱动的模型也已广泛应用于增材制造领域，这些模型统一称为机器学习算法。这种模型的压倒性优势在于其不需要构建一系列基于物理过程的方程。它们会根据以前的数据自动学习输入特征和输出目标之间的关系，机器学习算法正在向传统的制造领域包括增材制造进行迁移，但是机器学习算法的准确度严重依赖训练数据集的质量，需要大量实验。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于量纲分析的金属增材制造熔池形状预测方法。本发明结合传统物理学量纲分析法和机器学习两者的优点，克服了现有技术中面临的问题，建立过程参数与熔池形状之间的非线性关系模型，为增材制造参数选择和优化提供预测模型。

为了解决上述技术问题，本发明采用以下技术方案：

一种基于量纲分析的金属增材制造熔池形状预测方法，包括以下步骤：

S1：确定增材制造过程参数空间；

S2：对所述参数空间进行无量纲化处理，确定无量纲参数；

S3：建立增材制造过程无量纲方程；

S4：对所述无量纲参数进行有限元模拟，得到数据集；

S5：采用神经网络对所述数据集和增材制造过程无量纲方程进行训练，建立金属增材熔池特征参数预测的神经网络模型；

S6：通过所述神经网络模型预测金属增材制造熔池形状。

作为优选，所述步骤S1中，所述参数空间包括：

工艺参数：扫描速度V；

激光热源参数：激光功率PA、光斑直径D；

材料参数：密度ρ、凝固温度T_s、熔化温度T_m、沸点温度T_v、固态比热Cp_s、液态比热Cp_l、固体热传导率λ_s、液态热传导率λ_l、熔化潜热H_m、蒸发潜热H_v、液态金属粘度μ、表面张力σ_m、热膨胀系数β；

环境参数：初始温度T₀、重力加速度g、热对流系数h、辐射系数δ；

熔池形状参数：熔池深度H、熔池宽度W、熔池长度L。