Published June 10, 2023
| Version v1
Publication
Open
A hybrid machine learning model for in-process estimation of printing distance in laser Directed Energy Deposition
Creators
- 1. University of Turku
- 2. Universidade de São Paulo
- 3. Universidade Federal do Paraná
- 4. Mississippi State University
Description
Abstract There are several parameters that highly influence material quality and printed shape in laser Directed Energy Deposition (L-DED) operations. These parameters are usually defined for an optimal combination of energy input (laser power, scanning speed) and material feed rate, providing ideal bead geometry and layer height to the printing setup. However, during printing, layer height can vary. Such variation affects the upcoming layers by changing the printing distance, inducing printing to occur in a defocus zone then cumulatively increasing shape deviation. In order to address such issue, this paper proposes a novel intelligent hybrid method for in-process estimating the printing distance ( $$Z_s$$ Z s ) from melt pool images acquired during L-DED. The proposed hybrid method uses transfer learning to combine pre-trained Convolutional Neural Network (CNN) and Support Vector Regression (SVR) for an accurate yet computationally fast methodology. A dataset with 2,700 melt pool images was generated from the deposition of lines, at 60 different values of $$Z_s$$ Z s , and used for training. The best hybrid algorithm trained performed with a Mean Average Error (MAE) of 0.266 and a Mean Absolute Percentage Error (MAPE) of $$6.7\%$$ 6.7 % . The deployment of this algorithm in an application dataset allowed the printing distance to be estimated and the final part geometry to be inferred from the data.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الملخص هناك العديد من المعلمات التي تؤثر بشكل كبير على جودة المواد والشكل المطبوع في عمليات ترسيب الطاقة الموجه بالليزر (L - DED). عادة ما يتم تحديد هذه المعلمات لمزيج مثالي من مدخلات الطاقة (طاقة الليزر وسرعة المسح الضوئي) ومعدل تغذية المواد، مما يوفر هندسة مثالية للخرز وارتفاع الطبقة لإعداد الطباعة. ومع ذلك، أثناء الطباعة، يمكن أن يختلف ارتفاع الطبقة. يؤثر هذا الاختلاف على الطبقات القادمة عن طريق تغيير مسافة الطباعة، مما يؤدي إلى حدوث الطباعة في منطقة إزالة التركيز البؤري ثم زيادة انحراف الشكل بشكل تراكمي. من أجل معالجة هذه المشكلة، تقترح هذه الورقة طريقة هجينة ذكية جديدة لتقدير مسافة الطباعة ($ Z_s$ Z ) من صور تجمع الذوبان التي تم الحصول عليها أثناء L - DED. تستخدم الطريقة الهجينة المقترحة تعلم النقل للجمع بين الشبكة العصبية الالتفافية المدربة مسبقًا (CNN) ودعم الانحدار المتجهي (SVR) لمنهجية دقيقة وسريعة حسابيًا. تم إنشاء مجموعة بيانات تحتوي على 2700 صورة تجمع ذوبان من ترسيب الخطوط، عند 60 قيمة مختلفة من $$ Z $ Z ، وتستخدم للتدريب. تم تنفيذ أفضل خوارزمية هجينة تم تدريبها بمتوسط خطأ (MAE) يبلغ 0.266 ومتوسط خطأ النسبة المئوية المطلقة (MAPE) يبلغ $$ 6.7 \%$ 6.7 % . سمح نشر هذه الخوارزمية في مجموعة بيانات التطبيق بتقدير مسافة الطباعة واستنتاج هندسة الجزء الأخير من البيانات.Translated Description (French)
Résumé Plusieurs paramètres influencent fortement la qualité du matériau et la forme imprimée dans les opérations de dépôt d'énergie dirigé par laser (L-DED). Ces paramètres sont généralement définis pour une combinaison optimale de l'entrée d'énergie (puissance laser, vitesse de balayage) et de la vitesse d'alimentation du matériau, fournissant une géométrie de perle et une hauteur de couche idéales à la configuration d'impression. Cependant, pendant l'impression, la hauteur de la couche peut varier. Une telle variation affecte les couches à venir en modifiant la distance d'impression, en induisant l'impression dans une zone de défocalisation puis en augmentant de manière cumulative la déviation de forme. Afin de résoudre ce problème, cet article propose une nouvelle méthode hybride intelligente pour estimer en cours de processus la distance d'impression ( $$Z_s$$ Z s ) à partir d'images de pool de fusion acquises pendant L-DED. La méthode hybride proposée utilise l'apprentissage par transfert pour combiner un réseau neuronal convolutif (CNN) pré-entraîné et une régression vectorielle de soutien (SVR) pour une méthodologie précise mais rapide sur le plan du calcul. Un ensemble de données avec 2 700 images de bain de fusion a été généré à partir du dépôt de lignes, à 60 valeurs différentes de $$Z_s$$ Z s , et utilisé pour la formation. Le meilleur algorithme hybride formé a été exécuté avec une erreur moyenne moyenne (MAE) de 0,266 et une erreur moyenne en pourcentage absolu (MAPE) de $$ 6,7\%$$ 6,7 % . Le déploiement de cet algorithme dans un ensemble de données d'application a permis d'estimer la distance d'impression et de déduire la géométrie finale de la pièce à partir des données.Translated Description (Spanish)
Resumen Hay varios parámetros que influyen en gran medida en la calidad del material y la forma impresa en las operaciones de deposición de energía dirigida por láser (L-DED). Estos parámetros generalmente se definen para una combinación óptima de entrada de energía (potencia del láser, velocidad de escaneo) y velocidad de alimentación del material, proporcionando la geometría ideal del cordón y la altura de la capa a la configuración de impresión. Sin embargo, durante la impresión, la altura de la capa puede variar. Dicha variación afecta a las próximas capas al cambiar la distancia de impresión, lo que induce a que la impresión se produzca en una zona de desenfoque y luego aumenta acumulativamente la desviación de la forma. Para abordar este problema, este documento propone un nuevo método híbrido inteligente para estimar en proceso la distancia de impresión ( $ $ Z_s $ $ Z s ) a partir de imágenes de grupos de fusión adquiridas durante L-DED. El método híbrido propuesto utiliza el aprendizaje por transferencia para combinar la red neuronal convolucional (CNN) preentrenada y la regresión vectorial de soporte (SVR) para obtener una metodología precisa pero computacionalmente rápida. Se generó un conjunto de datos con 2.700 imágenes del grupo de fusión a partir de la deposición de líneas, en 60 valores diferentes de $$Z_s$$ Z s , y se utilizó para la capacitación. El mejor algoritmo híbrido entrenado se realizó con un error promedio medio (MAE) de 0.266 y un error porcentual absoluto medio (MAPE) de $$ 6.7\%$$ 6.7 % . La implementación de este algoritmo en un conjunto de datos de la aplicación permitió estimar la distancia de impresión y deducir la geometría de la pieza final a partir de los datos.Files
s00170-023-11582-z.pdf.pdf
Files
(2.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:5e823a15fe33f790382563de3174e1bf
|
2.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نموذج هجين للتعلم الآلي لتقدير مسافة الطباعة في ترسيب الطاقة الموجه بالليزر
- Translated title (French)
- Un modèle d'apprentissage automatique hybride pour l'estimation en cours de fabrication de la distance d'impression dans le dépôt d'énergie dirigé par laser
- Translated title (Spanish)
- Un modelo híbrido de aprendizaje automático para la estimación en proceso de la distancia de impresión en la deposición de energía dirigida por láser
Identifiers
- Other
- https://openalex.org/W4380200830
- DOI
- 10.1007/s00170-023-11582-z
References
- https://openalex.org/W2025632529
- https://openalex.org/W2194775991
- https://openalex.org/W2295124130
- https://openalex.org/W2511013388
- https://openalex.org/W2511730936
- https://openalex.org/W2518972490
- https://openalex.org/W2800291091
- https://openalex.org/W2887547880
- https://openalex.org/W2899573682
- https://openalex.org/W2911964244
- https://openalex.org/W2922978789
- https://openalex.org/W2941752777
- https://openalex.org/W2950494261
- https://openalex.org/W2981055053
- https://openalex.org/W3011515281
- https://openalex.org/W3036490077
- https://openalex.org/W3037280610
- https://openalex.org/W3133818712
- https://openalex.org/W3139058665
- https://openalex.org/W3181464995
- https://openalex.org/W3186352373
- https://openalex.org/W3194353394
- https://openalex.org/W3197458106
- https://openalex.org/W3199562130
- https://openalex.org/W4200539936
- https://openalex.org/W4205807395
- https://openalex.org/W4210251671
- https://openalex.org/W4224442175
- https://openalex.org/W4225980215
- https://openalex.org/W4281296300
- https://openalex.org/W4283328123
- https://openalex.org/W4298006522