FME 基于堆叠模型的机器学习实现大尺寸激光粉末床熔融成形Ti6Al4V合金机械性能预测_床的尺寸

　　LPBF制造Ti6Al4V零件时，工艺参数多且相互影响，确定合适参数困难。机器学习技术可用于解决该问题，但单一模型难以捕捉复杂关系。堆叠模型能结合多个模型优势，提升性能，本研究将其应用于增材制造领域预测Ti6Al4V合金力学性能。

　　使用球形Ti6Al4V粉末，在特定LPBF设备上制备拉伸试样，设定激光功率、扫描速度和扫描间距的参数范围，通过正交阵列实验得到64组参数组合。采用ANN、ENet、KRR、GBR和Lasso等算法构建堆叠模型，以预测拉伸强度。利用贝叶斯优化和交叉验证优化模型，并使用多种指标评估模型性能。

　　通过皮尔逊相关系数分析，发现扫描速度对拉伸强度影响最大，激光功率次之，hatch间距最小。经优化，确定了堆叠模型的最佳基础模型组合。训练和测试结果表明，堆叠模型相比ANN模型，预测精度更高、稳定性更强，能更好地捕捉工艺参数与拉伸强度间的复杂关系。

　　提出的堆叠集成学习模型为预测大型LPBF制造的Ti6Al4V合金拉伸强度提供了有效框架。研究确定了关键参数的影响程度，验证了堆叠模型在多方面的优势，为金属零件LPBF工艺力学性能预测提供了可靠方法。

　　3. FME文章荐读 VMMAO-YOLO：一种用于航空电子热敏电阻导线焊点实时缺陷检测的超轻量级尺度感知检测器

　　特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。

　　哈工大马军院士团队：迈向可持续的城市水系统——推进低碳水处理的战略路径 Engineering