Nouvelles

Pour assurer la qualité des pièces imprimées par LPBF, il est nécessaire de déterminer les paramètres optimaux du processus dépendamment de l’application. Cela se fait par des expériences coûteuses. La dynamique du bain de fusion complique encore le contrôle de la qualité du procédé LPBF en raison de son influence sur la qualité du produit. En utilisant l’apprentissage automatique et les données de surveillance du bain de fusion collectées avec des capteurs à photodiode, l’objectif de cette recherche était de personnaliser efficacement les paramètres du processus LPBF. La poudre Ti6Al4V (Ti64) a été utilisée dans trois ordres de taille : 15-53 µm, 15-106 µm et 45-106 µm. Cela a facilité le développement d’un système d’adaptation des paramètres du processus capable de gérer les variations dans les gammes de tailles de poudre. Pour chaque pièce, les signatures statistiques d’intensité lumineuse, la gamme de tailles de poudre et la densité, la rugosité de surface ainsi que la dureté des pièces ont été utilisées comme entrées pour trois modèles de réseaux neuronaux : Feed-Forward (FFN), Random Forest (RF) et Extreme Gradient Boosting (XGBoost). La puissance du laser, la vitesse du laser, la distance de hachurage et la densité énergétique des pièces ont été prédites par les modèles. D’après les résultats obtenus, RF a démontré la meilleure performance dans la prédiction des paramètres du processus.

Consulter l’article