Bead geometry prediction of directed energy deposition based on spatio-temporal neural network model

Dieser Artikel befasst sich mit der komplexen Dynamik von Schmelzpools in der additiven Fertigung, einem Prozess, bei dem ein beweglicher Laser Schmelzpools erzeugt, die sich sowohl räumlich als auch zeitlich dynamisch verändern. Die Studie stellt ein neuartiges räumlich-zeitliches neuronales Netzwerk-Modell (STNN) vor, das dazu entwickelt wurde, die Geometrie von Kügelchen anhand von Echtzeit-Schmelzebildern vorherzusagen, die während des DED-Prozesses aufgenommen wurden. Die Forschungsergebnisse zeigen die Grenzen bestehender Methoden auf, wie etwa numerische Ableitungen und Methoden zur Reaktionsoberfläche, die aufgrund der hochdynamischen und nichtlinearen Charakteristika des DED-Prozesses oft zu kurz greifen. Das vorgeschlagene STNN-Modell nutzt tiefgreifendes Lernen, um die räumlich-zeitliche (ST) Reaktion des Schmelzpools zu erforschen und zu interpretieren, und bietet eine genauere und effizientere Vorhersage der Sickengeometrie. Der Artikel diskutiert auch das optimale Zeitintervall für die Vorhersage der ST-Reaktion und den asymmetrischen zeitlichen Einfluss auf die Morphologie des Schmelzpools. Durch umfangreiche Experimente und Analysen zeigt die Studie die überlegene Leistung des STNN-Modells im Vergleich zu herkömmlichen Ansätzen und unterstreicht sein Potenzial, die Genauigkeit und Robustheit von DED-Prozessen zu verbessern. Die Ergebnisse liefern wertvolle Einblicke in die räumlich-zeitliche Dynamik von Schmelzpools und ebnen den Weg für eine verbesserte Vorhersage der Sickengeometrie und Qualitätskontrolle in der additiven Fertigung.