文献类型：期刊文章

作　　者：亓欣波[1] 李长鹏[2] 李阳[3] 林峰[3] 李勇[1] 程宣[2] 陈国锋[2]

QI Xinbo;LI Changpeng;LI Yang;LIN Feng;LI Yong;CHENG Xuan;CHEN Guofeng(State Key Laboratory of Tribology, Tsinghua University, Beijing 100084;Corporate Technology, Siemens Ltd., Beijing 100102;Bio-manufacturing and Rapid Forming Technology Key Laboratory of Beijing,Tsinghua University, Beijing 100084)

机构地区：[1]清华大学摩擦学国家重点实验室,北京100084 [2]西门子中国研究院,北京100102 [3]清华大学生物制造与快速成形技术北京市重点实验室,北京100084

出　　处：《机械工程学报》

年　　份：2019

卷　　号：55

期　　号：15

起止页码：48-55

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：电子束选区熔化技术,以其快速加工复杂几何形状、真空熔炼、成形件残余应力小、粉末可回收等优点,是近年来快速发展的一种增材制造技术。但该技术加工参数众多,目前很难建立起直接且准确的加工参数与成形件性能的关系。通过调节电子束选区熔化技术的扫描速度、束流、基板温度、粉层厚度等四种参数,制备了一系列Inconel718立方体样品,并测试获得其密度性能。利用线性回归、支持矢量回归和神经网络等三种机器学习算法建立了四种加工参数与密度的关系。算法结果表明:线性回归因其模型容量小,预测精度最差;神经网络模型容量大,但易出现过拟合,预测精度较好;支持矢量回归的模型容量适当,且解释性良好,预测精度最高。

关 键 词：机器学习  电子束选区熔化  增材制造 密度  预测  

分 类 号：TP181]