logo móvil
Contáctanos

Redes Neuronales Informadas por la Física para la Optimización de Procesos en la Fusión por Lecho de Polvo Láser del Superaleación Inconel 718: Un Marco de Aprendizaje Automático Eficiente en Datos y Constricciones Físicas

Autores: Tiwari, Saurabh; Heo, Seong Jun; Park, Nokeun

Idioma: Inglés

Editor: MDPI

Año: 2026

Descargar PDF

Acceso abierto

Artículo científico


Categoría

Ciencias de los Materiales

Subcategoría

Materiales estructurales

Palabras clave

Red neuronal informada por la física
LPBF
Inconel 718
Optimización de procesos
Potencia del láser
Velocidad de escaneo

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 6

Citaciones: Sin citaciones


Descripción
Este estudio tuvo como objetivo desarrollar y validar un marco de red neuronal informada por la física (PINN) para la optimización de procesos de manera eficiente en datos y físicamente consistente en la fusión por lecho de polvo láser (LPBF) de la superaleación Inconel 718 (IN718). La fusión por lecho de polvo láser (LPBF) se adopta ampliamente para fabricar componentes de Inconel 718 (IN718) en aplicaciones aeroespaciales y energéticas; sin embargo, navegar por su espacio de parámetros de proceso de alta dimensión y no lineal sigue siendo un desafío central. Las simulaciones de elementos finitos de alta fidelidad son computacionalmente prohibitivas para barridos de parámetros extensos, mientras que los modelos de aprendizaje automático (ML) puramente basados en datos están limitados por la escasez de datos y el comportamiento de extrapolación no físico. Este estudio presenta un marco de red neuronal informada por la física (PINN) que incorpora la ecuación de conducción de calor transitoria y el modelo de fuente de calor elipsoidal doble de Goldak directamente en la pérdida de entrenamiento de la red neuronal, imponiendo consistencia termofísica simultáneamente con la fidelidad de los datos. El modelo fue entrenado en un conjunto de datos curado y de múltiples fuentes de combinaciones de parámetros de LPBF IN718 extraídas de estudios experimentales revisados por pares y salidas de simulaciones de elementos finitos validadas, abarcando la potencia del láser (70-400 W), la velocidad de escaneo (200-2000 mm/s), el espaciado de pasadas (50-140 um) y el grosor de la capa (20-50 um). La PINN predijo el ancho del charco de fusión, la profundidad, la temperatura máxima y la densidad relativa con errores porcentuales absolutos medios (MAPE) de 3.8%, 4.7%, 3.1% y 1.9%, respectivamente, superando a una red neuronal artificial (ANN) de referencia con una arquitectura idéntica. El marco identificó correctamente la ventana óptima de densidad de energía volumétrica (VED) de 55-105 J/mm3, produciendo densidades relativas >=99.5%, consistente con los umbrales experimentales publicados para IN718. Un análisis de eficiencia de datos demostró que la PINN con el 25% de datos de entrenamiento logra un rendimiento equivalente al de la ANN completamente entrenada con el 100% de datos, confirmando una mejora de eficiencia de datos de aproximadamente cuatro veces atribuible a la regularización informada por la física, consistente con predicciones teóricas. El análisis de sensibilidad a través de diferenciación automática confirmó que la potencia del láser y la velocidad de escaneo eran los parámetros dominantes (~85% de varianza combinada), lo que está en acuerdo con estudios previos. Este estudio proporciona un camino de ML computacionalmente eficiente, interpretable y físicamente consistente para la calificación acelerada de procesos de componentes IN718 para aplicaciones aeroespaciales y energéticas.

Otros recursos que podrían interesarte

    Temas Virtualpro