Integrating Multi-Physics Simulations and Machine Learning to Define the Spatter Mechanism and Process Window in Laser Powder Bed Fusion

激光粉床熔化成型（LPBF）由于能够制造自由形态几何形状和生成受控的微观结构，已经显示出广泛应用的前景。然而，由于激光与材料相互作用时产生的缺陷，通过LPBF生成的零件仍然具有次优的机械性能。本文使用高保真建模工具来研究飞溅形成机制，该工具用于模拟LPBF中的多物理现象。建模工具具有捕捉熔池和飞溅行为的三维分辨率的能力。为了理解飞溅的行为和形成机制，我们揭示了其在喷射时的特性，并评估了它与熔池之间的差异，熔池是其形成的源头。收集的飞溅和熔池数据集包含50％的飞溅和50％的熔池样本，其特征包括位置组件、速度组件、速度大小、温度、密度和压力。通过相关分析和机器学习（ML）算法对飞溅和熔池之间的关系进行评估，用于分类任务。在数据集上筛选不同的ML算法后，所有ML模型均显示出高准确性，其中ExtraTrees具有最高的96％，KNN具有最低的94％。

研究如何解决激光粉床熔覆过程中产生的缺陷问题，提高其机械性能。

使用高保真建模工具模拟激光粉床熔覆过程中的多物理现象，研究飞溅形成机制，并通过相关性分析和机器学习算法对飞溅与熔池之间的关系进行评估。

实验中使用50%的飞溅和50%的熔池样本数据集，包括位置、速度、温度、密度和压力等特征，通过机器学习算法进行分类任务，其中ExtraTrees算法的准确率最高为96%。

最近的相关研究包括《激光粉床熔覆过程中的缺陷形成机制及其控制方法》、《基于机器学习的激光粉床熔覆过程预测模型研究》等。