[论文解读] MeltpoolNet: Melt pool Characteristic Prediction in Metal Additive Manufacturing Using Machine Learning

Parand Akbari, Francis Ogoke+5 more|arXiv (Cornell University)|Jan 26, 2022

Additive Manufacturing and 3D Printing Technologies被引用 6

一句话总结

MeltpoolNet 提出了一种物理感知的机器学习框架，用于基于来自80余项研究的基准数据集，预测金属增材制造（MAM）中的熔池几何形状和缺陷。该框架结合了物理信息特征工程、多种机器学习模型（如随机森林RF、高斯过程回归GPR、支持向量回归SVR、梯度提升GBDT、神经网络NN），并进行了严格评估，其预测精度优于Rosenthal的解析模型，同时保持了可解释性。

ABSTRACT

Characterizing meltpool shape and geometry is essential in metal Additive Manufacturing (MAM) to control the printing process and avoid defects. Predicting meltpool flaws based on process parameters and powder material is difficult due to the complex nature of MAM process. Machine learning (ML) techniques can be useful in connecting process parameters to the type of flaws in the meltpool. In this work, we introduced a comprehensive framework for benchmarking ML for melt pool characterization. An extensive experimental dataset has been collected from more than 80 MAM articles containing MAM processing conditions, materials, meltpool dimensions, meltpool modes and flaw types. We introduced physics-aware MAM featurization, versatile ML models, and evaluation metrics to create a comprehensive learning framework for meltpool defect and geometry prediction. This benchmark can serve as a basis for melt pool control and process optimization. In addition, data-driven explicit models have been identified to estimate meltpool geometry from process parameters and material properties which outperform Rosenthal estimation for meltpool geometry while maintaining interpretability.

研究动机与目标

• 为应对由于复杂多尺度物理机制和数据有限，导致在金属增材制造（MAM）中预测熔池特性与缺陷的挑战。
• 开发一个全面、可复现的MAM机器学习基准框架，整合多种工艺参数、材料性能和缺陷类型。
• 在预测熔池尺寸（宽度、长度、深度）方面，超越经典解析模型（如Rosenthal方程）的精度。
• 通过建立工艺参数与熔池动力学及失效模式之间的关联，实现数据驱动的工艺优化与缺陷控制。
• 提供一种可解释的、物理感知的机器学习模型，其性能优于传统估算方法，同时具备工业部署的实用性。

提出的方法

• 从80余项已发表的研究中整合MAM工艺条件、材料成分、熔池尺寸、熔池模式及缺陷类型，构建了全面的实验数据集。
• 通过引入热物理性能（密度、比热容、热导率、熔点）作为输入特征，开发了物理感知的特征工程方法，以提升模型的泛化能力。
• 训练并评估了多种机器学习模型——随机森林（RF）、高斯过程回归（GPR）、支持向量回归（SVR）、梯度提升（GB）和神经网络（NN）——用于预测熔池宽度和长度。
• 通过定义搜索范围（如n_estimators从1–500、核函数类型、正则化强度）对各类模型进行超参数调优，以优化性能。
• 在所有模型中采用标准化评估指标（如MAE、R²），确保公平比较与可复现性。
• 将模型性能与Rosenthal的解析解在熔池几何形状预测上的表现进行对比，验证了其更高的精度和可解释性。

实验结果

研究问题

• RQ1 统一的、物理感知的机器学习框架是否能有效预测在多种MAM材料和工艺条件下熔池的几何形状与缺陷类型？
• RQ2 当在异构、多源数据集上训练时，不同机器学习模型（如RF、GPR、SVR、GB、NN）在预测熔池宽度和长度方面表现如何比较？
• RQ3 数据驱动模型在预测熔池尺寸方面，能在多大程度上超越经典解析模型（如Rosenthal方程）？
• RQ4 物理感知的特征工程在MAM工艺预测中如何提升模型的泛化能力与可解释性？
• RQ5 基准框架是否能够实现MAM工艺参数的系统性优化，以最小化缺乏熔合、匙孔和球化等缺陷？

主要发现

• 数据驱动模型，尤其是随机森林和高斯过程回归，相比Rosenthal的解析模型，在预测熔池宽度和长度时表现出显著更低的平均绝对误差（MAE）。
• 通过整合热导率、比热容和熔点等热物理性能的物理感知特征工程，显著提升了模型在IN718、Ti-6Al-4V和AlSi10Mg等多种材料上的泛化能力。
• 表现最佳的模型（如n_estimators=500的RF、使用RationalQuadratic核的GPR）在基准数据集上对熔池宽度和长度的预测MAE值低于10 μm。
• 采用(512,512,512)架构和L2正则化（alpha ≈ 0.02）的神经网络表现出较强性能，但计算成本更高，且可解释性低于树基模型。
• 该基准框架成功捕捉了18种不同合金（包括高温合金和难熔金属）中工艺参数（激光功率、扫描速度、扫描间距）与熔池动力学之间的复杂关系。
• 本研究证明，基于异构真实世界数据训练的机器学习模型，即使在每种材料的数据有限的情况下，也能通过有效的特征工程和模型多样性，超越解析模型在预测熔池几何形状方面的表现。