一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法技术

本发明专利技术公开了一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法，包括如下步骤：分别建立成形仓、粉仓、刮刀的3D模型；根据粉末的物性参数，在粉仓内生成粉末，粉末在粉仓内自由落体堆叠，成形仓下降距离为层厚H，粉仓上升距离为LH，刮刀将粉仓中的粉末刮至成形仓，铺粉完成后，得到铺粉孔隙率ρ

【技术实现步骤摘要】
一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法


[0001]本专利技术涉及激光选区熔化增材制造
，具体是一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法。

技术介绍

[0002]激光增材制造因其堆积效率高、成形质量好、成形件致密度高等优良特性，近年来受到研究人员的广泛关注。其中激光选区熔化(Selected Laser Melting,SLM)增材制造作为激光增材制造体系中最前沿和最有潜力的技术，具有成形精度高、材料利用率高等优良特性，在复杂结构件的制造上具有良好的应用前景。
[0003]激光选区熔化增材制造过程涉及的物理过程非常复杂，采用实验试错的方法进行材料工艺开发代价昂贵。粉末粒径分布、铺粉层厚度、刮刀形状等因素都会影响铺粉状况，继而影响计算机仿真准确性。评价铺粉状况好坏的一个重要因素为铺粉孔隙率，孔隙率决定了当前层排出空气的体积即体积收缩量。在激光选区熔化增材制造过程考虑与不考虑粉末熔化体积收缩的效应，将对激光功率选择、变形和应力控制产生较大影响。
[0004]此外，当采用计算机仿真技术对激光选区熔化增材的工艺参数进行研究分析时，粉末熔化体积收缩率对仿真精度具有显著影响。目前考虑体积收缩的仿真模型多采用定孔隙率模型，而粉末粒径分布不同、铺粉层厚度不同都会对铺粉孔隙率造成较大影响，采用定孔隙率模型进行仿真误差较大，无法获得精确的仿真结果。
[0005]为了提高激光选区熔化增材实验过程的工艺优化效率和成形精度，以及改善计算机激光选区熔化增材过程仿真的计算精度，亟需引入一种考虑粉末粒径分布、铺粉层厚度、材料物理参数特性的粉末熔化体积收缩率的预测方法。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法，包括如下步骤：
[0007]步骤一：分别建立成形仓、粉仓、刮刀的3D模型；
[0008]步骤二：根据所使用粉末的物性参数，在粉仓内生成具有高斯分布(D,σ)的粉末，使粉末在粉仓内自由落体堆叠，其中D为粉末直径，σ为高斯分布标准差；
[0009]步骤三：成形仓下降距离为层厚H，粉仓上升距离为LH，刮刀将粉仓中的粉末刮至成形仓，铺粉完成后，读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积V
b
，计算成形仓下降距离的体积V
s
，根据所有粉末的体积V
b
和成形仓下降距离的体积V
s
得到铺粉孔隙率ρ
i
；
[0010]步骤四：依次计算不同层厚、不同粒径分布组合下铺粉孔隙率，获取粒径分布
‑
层厚
‑
铺粉孔隙率数据集；
[0011]步骤五：建立支持向量回归预测模型，将粒径分布
‑
层厚
‑
铺粉孔隙率数据集归一化后划分为训练集和测试集，粒径分布、层厚为输入变量，铺粉孔隙率为输出变量，使用支
持向量回归预测模型进行训练与预测，确定模型最优参数；
[0012]步骤六：选取粒径分布为(D,σ)的粉末堆积层厚为H的构件，获取构件的堆积高度，使用相同的粒径分布及层厚作为输入变量，通过支持向量回归预测模型预测铺粉孔隙率，根据获取的构件的堆积高度与当前铺粉孔隙率下预测堆积高度的误差，修正预测模型中金属粉末蒸发引起的误差，通过修正后的预测模型进行铺粉孔隙率的预测。
[0013]进一步的，所述的铺粉孔隙率ρ
i
，计算公式如下：
[0014][0015]进一步的，所述的根据所使用粉末的物性参数，所述的物性参数包括设置材料的密度、刚度系数及重力加速度。
[0016]进一步的，所述的读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积V
b
，包括读取成形仓中每一个粉末的粒径，导出所有粉末粒径数据并计算每个粉末的体积，对所有粉末体积求和获得V
b
。
[0017]进一步的，所述的依次计算不同层厚、不同粒径分布组合下铺粉孔隙率，包括选取不同层厚、不同粒径分布进行铺粉模拟，计算不同层厚和不同粒径分布情况下的铺粉孔隙率，进行铺粉模拟，获取粒径分布
‑
层厚
‑
铺粉孔隙率数据集。
[0018]本专利技术的有益效果是：(1)本专利技术可对不同层厚、不同粒径分布粉末SLM增材制造铺粉过程进行铺粉孔隙率预测，相比现有的有限仿真模型采用的定孔隙率模型，针对不同层厚、不同粒径分布粉末，通过支持向量回归预测模型预测当前状况下铺粉孔隙率，可以使仿真结果更精确。
[0019](2)本专利技术充分发挥离散元随机化特点及支持向量回归机器学习方法强大的回归预测性能，该模型泛化性好，预测精度高，无需大数据量即可进行精准预测。
附图说明
[0020]图1为一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法的原理示意图；
[0021]图2为本专利技术成形仓、粉仓、刮刀3D模型示意图；
[0022]图3为本专利技术粉末自由落体堆叠过程示意图；
[0023]图4为本专利技术刮刀运动过程示意图；
[0024]图5为本专利技术铺粉完成后成形仓内粉末示意图。
具体实施方式
[0025]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。
[0026]为了使本专利技术的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术，即所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0027]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人
员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0028]而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
[0029]以下结合实施例对本专利技术的特征和性能作进一步的详细描述。
[0030]如图1所示，一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法，包括如下步骤：
[0031]步骤一：分别建立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量回归的SLM增材制造铺粉孔隙率预测方法，其特征在于，包括如下步骤：步骤一：分别建立成形仓、粉仓、刮刀的3D模型；步骤二：根据所使用粉末的物性参数，在粉仓内生成具有高斯分布(D,σ)的粉末，使粉末在粉仓内自由落体堆叠，其中D为粉末直径，σ为高斯分布标准差；步骤三：成形仓下降距离为层厚H，粉仓上升距离为LH，刮刀将粉仓中的粉末刮至成形仓，铺粉完成后，读取成形仓中每一个粉末的粒径并计算成形仓中所有粉末的体积V
b
，计算成形仓下降距离的体积V
s
，根据所有粉末的体积V
b
和成形仓下降距离的体积V
s
得到铺粉孔隙率ρ
i
；步骤四：依次计算不同层厚、不同粒径分布组合下铺粉孔隙率，获取粒径分布
‑
层厚
‑
铺粉孔隙率数据集；步骤五：建立支持向量回归预测模型，将粒径分布
‑
层厚
‑
铺粉孔隙率数据集归一化后划分为训练集和测试集，粒径分布、层厚为输入变量，铺粉孔隙率为输出变量，使用支持向量回归预测模型进行训练与预测，确定模型最优参数；步骤六：选取粒径分布为(D,σ)的粉末堆积层厚为H的构件，获取构件的堆积高度，使用相同的粒径分布及层厚作为输入变量，...

【专利技术属性】
技术研发人员：陈静青，张伊扬，母肖，廖子文，陈辉，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：