A novel L-BFGS-B optimized machine learning model for predicting tensile strength of SLM-manufactured Ti-6Al-4V alloys

Diese Studie untersucht den Einfluss wichtiger Prozessparameter auf die mikrostrukturelle Evolution und das Zugverhalten von Ti-6Al-4V-Legierungen, die mittels selektivem Laserschmelzen (SLM) hergestellt werden. Fünf Modelle des maschinellen Lernens - Polynomiale Regression (PR), Künstliche Neuronale Netzwerke (ANN), Unterstützte Vektorregression (SVR), Random Forest (RF) und Gradient Boosting (GB) - werden eingesetzt, um die Vorhersagefähigkeit zu verbessern. Durch die Integration des ensemblebasierten Surrogatmodells mit der bayesianischen Optimierung werden effektiv optimale SLM-Prozessparameter identifiziert, die anschließend durch experimentelle Ergebnisse validiert werden. Unter den untersuchten Modellen weist das PR-Modell die höchste Basisgenauigkeit auf, gefolgt von RF, SVR, GB und ANN. Die Anwendung der L-BFGS-B-Optimierung auf die Basismodelle verbessert die Vorhersageleistung erheblich, wobei das GB-Modell die höchste Genauigkeit von 98,74% und minimale Vorhersagefehler erreicht, was eine starke Übereinstimmung mit den experimentellen Ergebnissen zeigt. Die Studie unterstreicht auch die entscheidende Rolle des Schraffurabstandes bei der Erreichung hoher Zugfestigkeit. Unter optimierten Bedingungen erreichen Ti-6Al-4V-Proben eine Zugfestigkeit (UTS) von 1244 ± 10 MPa und übertreffen aufgrund der Bildung einer feinen, gleichmäßigen α / α ′ martensitischen Mikrostruktur, die entlang der Aufbaurichtung ausgerichtet ist, konventionell hergestellte Proben. Eine mittlere Mikrohärte von 352,9 HV wird in den obersten Schichten beobachtet, was auf den höheren martensitischen Phasenanteil durch rasches Abkühlen zurückzuführen ist. Im Vergleich zu herkömmlichen Methoden erzeugt der ML-gestützte optimierte SLM-Ansatz durchgängig feinere, gleichmäßigere Kornstrukturen mit einem ausgeprägten Säulenmuster entlang der Richtung des thermischen Gefälles, was die mechanische Leistung weiter verbessert. Diese Ergebnisse unterstreichen das Potenzial, SLM mit ML-basierter Optimierung zu kombinieren, um leistungsstarke Ti-6Al-4V-Komponenten mit überlegenen mechanischen Eigenschaften herzustellen, die einen zuverlässigen Rahmen für fortschrittliche additive Fertigungsanwendungen bieten.