Datos

npj Computational Materials volumen 8, Número de artículo: 126 (2022) Citar este artículo

3463 Accesos

8 citas

3 Altmetric

Detalles de métricas

En la fabricación aditiva de piezas metálicas, la capacidad de predecir con precisión el campo de temperatura extremadamente variable en detalle y relacionarlo cuantitativamente con la estructura y las propiedades es un paso clave para predecir el rendimiento de la pieza y optimizar el diseño del proceso. En este trabajo, se utiliza una simulación de elementos finitos del proceso de deposición de energía dirigida (DED) para predecir el campo de temperatura dependiente del espacio y el tiempo durante el proceso de construcción multicapa para muros de Inconel 718. Los resultados del modelo térmico muestran una buena concordancia con las imágenes infrarrojas dinámicas capturadas in situ durante las construcciones DED. Se examina la relación entre la tasa de enfriamiento pronosticada, las características microestructurales y las propiedades mecánicas, y se encuentra que la tasa de enfriamiento por sí sola es insuficiente para dar predicciones de propiedades cuantitativas. Debido a que el aprendizaje automático ofrece una forma eficiente de identificar características importantes a partir de datos en serie, aplicamos un marco basado en datos de red neuronal convolucional 1D para extraer automáticamente las características predictivas dominantes del historial de temperatura simulado. Se obtienen muy buenas predicciones de las propiedades de los materiales, especialmente la resistencia última a la tracción, utilizando datos del historial térmico simulado. Para interpretar aún más las predicciones de la red neuronal convolucional, visualizamos las características extraídas producidas en cada capa convolucional y comparamos las características detectadas por la red neuronal convolucional de las historias térmicas para casos de resistencia a la tracción última alta y baja. Un resultado clave es la determinación de que las historias térmicas en regímenes de temperatura alta y moderada afectan las propiedades del material.

La fabricación aditiva (AM) de metal es una tecnología que se puede utilizar para construir piezas capa por capa, lo que permite la fabricación de piezas con una geometría más compleja y costos reducidos en comparación con las técnicas de fabricación tradicionales1,2. La deposición de energía dirigida (DED) es un proceso popular de fabricación aditiva de metal3 en el que una o más boquillas suministran polvo metálico4. Se utiliza una fuente de calor enfocada, como un láser, para fundir localmente el material metálico inyectado. Las piezas se construyen progresivamente a medida que cada capa se escanea y se funde en un patrón predeterminado.

Durante el proceso DED, las piezas se someten a ciclos térmicos repetitivos de calentamiento y enfriamiento debido a la deposición de múltiples capas. El complejo campo térmico resultante en las piezas, tanto durante como después de la solidificación, tiene efectos significativos en la microestructura y las propiedades mecánicas del material final, como el límite elástico, la deformación elástica, la resistencia máxima a la tracción (UTS) y el estrés de falla5,6,7. Sin embargo, lleva mucho tiempo y es costoso realizar experimentos DED para optimizar los parámetros del proceso y las trayectorias de la herramienta para una geometría determinada para producir piezas con buenas propiedades mecánicas. Los modelos computacionales pueden ser un enfoque eficiente para obtener historiales de temperatura de las piezas, que se pueden relacionar con la microestructura y las propiedades mecánicas.

Para predecir el campo térmico, muchos investigadores han utilizado el método de elementos finitos para resolver la ecuación del calor y simular el campo de temperatura transitorio en AM. Para la mayoría de los modelos térmicos DED, la condición límite en la superficie de la parte exterior supone convección con un coeficiente de convección constante8,9,10,11,12,13,14,15. Sin embargo, los procesos DED suelen incluir un flujo de gas de protección forzado, con una velocidad de flujo que varía sobre la superficie de la pieza; por lo tanto, se propuso un modelo de coeficiente de convección espacialmente variable calibrado con datos de termopar medidos y mostró una mejor coincidencia con los historiales de temperatura experimentales en comparación con un modelo de coeficiente de convección uniforme3.

Las calibraciones de los modelos DED térmicos también son un desafío. Casi todos los modelos térmicos calibrados anteriores para la deposición de múltiples capas se han basado en mediciones de termopares tomadas lejos del punto del láser16,17,18. Sin embargo, es difícil medir directamente la temperatura en o cerca de la región del baño de fusión con termopares debido al rango de temperatura extremo y la geometría en constante cambio. Alternativamente, se han utilizado imágenes dinámicas de infrarrojos (IR) medidas por cámaras IR para calibrar modelos térmicos19,20. Una cámara IR puede capturar la radiación térmica emitida en la superficie de la pieza, incluso cerca del baño de fusión, lo que proporciona un complemento a los datos del termopar para calibrar y validar los modelos térmicos19,20,21,22,23,24,25. Por ejemplo, se han capturado imágenes IR para verificar un modelo térmico de fuente de calor en movimiento para la fabricación aditiva basada en soldadura asistida por inducción (WAM)19. Las cámaras IR también se han utilizado para calibrar el modelo térmico para un proceso de soldadura por arco metálico con gas (GMAW) de múltiples capas de una sola pasada26; este trabajo solo estudió dos capas de deposición en lugar de un modelo a escala parcial completa.

Las aleaciones a base de níquel, como Inconel 718, se han utilizado ampliamente en aplicaciones AM (p. ej., álabes de turbinas y cámaras de combustión) debido a su excelente resistencia a la tracción, límite elástico a alta temperatura, propiedades de fluencia y resistencia a la corrosión6,27,28, 29,30. Se encuentra que las propiedades mecánicas dependen no solo del tamaño del grano y la orientación de la microestructura, sino también de la distribución del precipitado del material7,28. Por ejemplo, las fases de Laves son precipitados frágiles en Inconel 718 que generalmente se forman durante la segregación de Nb en las regiones interdendriticas en la solidificación. Las fases de Laves pueden reducir las propiedades mecánicas del material, como reducir el límite elástico y el módulo de Young para Inconel 71828. La microestructura puede verse afectada por la composición química y las condiciones térmicas durante el proceso AM29. Por lo tanto, es importante investigar los efectos detallados de la historia térmica sobre la microestructura y las propiedades mecánicas.

Muchos trabajos anteriores utilizan la velocidad de enfriamiento para describir la relación entre la temperatura, la microestructura y las propiedades. Los investigadores han descubierto que la velocidad de enfriamiento influye en el tamaño del grano, el espaciado de los brazos dendríticos, la microsegregación, la formación de precipitados22,31,32, la anisotropía, la porosidad y la resistencia21. Las altas tasas de enfriamiento pueden conducir a una solidificación más rápida que da como resultado una microestructura más fina y propiedades mecánicas mejoradas33. Sin embargo, muchos menos trabajos previos investigan si la velocidad de enfriamiento es el único factor importante para la microestructura y las propiedades mecánicas. Se ha encontrado que la combinación de gradientes térmicos, tasas de enfriamiento (la tasa promedio de cambio de temperatura durante la solidificación, en unidades de temperatura por tiempo) y tasas de solidificación (la velocidad del frente de solidificación, en unidades de longitud por tiempo) puede influir en la estabilidad de la interfaz líquido-sólido y luego afectar el espaciamiento de los brazos dendríticos y las propiedades finales30,34,35. Sin embargo, los efectos térmicos complejos sobre la microestructura y las propiedades mecánicas no se comprenden completamente. Esto nos motiva a desarrollar un método para extraer automáticamente características del historial de temperatura e investigar la correlación entre el historial térmico y las propiedades mecánicas.

Las técnicas de aprendizaje automático proporcionan una forma eficaz de extraer información de una señal o serie temporal. Por ejemplo, una red neuronal convolucional (CNN) puede aprender patrones locales a partir de datos de entrada a través de convoluciones sin una selección de características a priori36,37,38,39. Las CNN han tenido mucho éxito en muchas aplicaciones, como el reconocimiento de voz, el control de vehículos autónomos y la visión artificial39,40,41. Recientemente, las CNN unidimensionales (1D) se han utilizado para extraer características de los datos de entrada 1D, como una señal cardíaca u otros datos de series temporales40,41,42,43,44,45. Las CNN pueden aprender características locales a partir de datos sin procesar y luego extraer características más globales y de alto nivel en capas convolucionales más profundas40,42,46. Los datos del historial térmico medidos o simulados de las piezas construidas con DED se pueden considerar como una serie de tiempo dinámica. Recientemente, se demostró que se puede usar una CNN 2D para correlacionar el historial térmico medido experimentalmente en AM con las propiedades del material47. Xie et al.47 utilizaron mediciones de IR sin calibrar sin procesar como historiales térmicos y aplicaron la transformada de wavelet para convertir las señales de IR en escalogramas de wavelet 2D. Luego, los autores aplicaron un modelo CNN 2D para predecir UTS a partir de los escalogramas wavelet 2D y usaron un modelo de bosque aleatorio para analizar la influencia de la temperatura en las propiedades. Sin embargo, el uso de datos IR medidos experimentalmente en modelos basados ​​en datos es restrictivo; Las mediciones precisas de IR requieren una calibración cuidadosa de la emisividad del material y solo se pueden recopilar en superficies, lo que dificulta o imposibilita la medición de IR para geometrías complejas. En el trabajo actual, en lugar de usar mediciones como entrada para nuestro modelo basado en datos, desarrollamos un modelo térmico validado para predecir historias térmicas. Aplicamos un modelo CNN 1D para extraer automáticamente las características del historial de temperatura simulado y predecir las propiedades mecánicas. Dado que las correlaciones descubiertas por las CNN pueden ser difíciles de interpretar46,48,49, en este trabajo visualizamos las capas convolucionales intermedias y comparamos las características extraídas de historias térmicas completas utilizando CNN para casos de UTS alto y bajo. El marco basado en datos propuesto puede ayudar a investigar los efectos térmicos en las propiedades mecánicas y mejorar la comprensión de la física subyacente en el proceso.

En este trabajo, se desarrolla una combinación del modelo térmico computacional validado, junto con un método basado en datos basado en una CNN 1D, para simular con precisión el proceso y utilizar toda la curva de temperatura dependiente del tiempo para predecir las propiedades mecánicas en toda la pieza final. . La descripción general del marco del modelo basado en datos se muestra en la Fig. 1. Primero, usamos un modelo térmico basado en el método de elementos finitos con convección de superficie espacialmente variable para el proceso de construcción multicapa DED del material Inconel 718. Se investigan tres casos con diferentes tamaños de dominio y tiempos de permanencia. El modelo térmico se valida utilizando imágenes IR de experimentos DED in situ. La caracterización de la microestructura y las pruebas de tracción también se llevan a cabo para muestras de materiales seleccionados. Luego, se usa una CNN 1D para extraer características de historias térmicas simuladas para predecir propiedades mecánicas. Se investiga y discute la correlación entre la historia térmica, la microestructura y las propiedades mecánicas. Para comprender mejor el mecanismo físico, visualizamos las características extraídas de las capas convolucionales intermedias para interpretar la correlación entre las historias térmicas y las propiedades. Analizamos la distinción en las características detectadas por CNN entre múltiples casos de UTS altos y bajos para investigar la contribución del historial térmico a diferentes UTS. Este trabajo demuestra una forma eficiente de simular el historial térmico de la deposición de DED, predecir propiedades a partir de dicho historial térmico mediante 1D CNN y una mayor comprensión de los efectos térmicos en la solidificación y las propiedades mecánicas.

La red neuronal convolucional 1D se utiliza para predecir propiedades mecánicas a partir del historial térmico simulado. Los datos del proceso térmico simulado, la microestructura y las propiedades mecánicas medidas se analizan para determinar la relación proceso-estructura-propiedades (PSP).

En este trabajo, se simulan tres casos de deposiciones multicapa de pared delgada durante el proceso DED utilizando el modelo térmico computacional (consulte la sección "Métodos"). Los tres casos son paredes de 80 mm con un tiempo de permanencia de 0 s (Caso A), paredes de 120 mm con un tiempo de permanencia de 0 s (Caso B) y paredes de 120 mm con un tiempo de permanencia entre capas de 5 s (Caso C). En la Tabla complementaria 1 se enumeran más detalles de los tres casos. El esquema del proceso DED se muestra en la Figura complementaria 1a. La trayectoria bidireccional de la herramienta utilizada en la simulación y el experimento se muestra en la figura complementaria 1b. Para la simulación, la geometría del dominio computacional y las mallas se muestran en la figura complementaria 1c. La parte superior del dominio es la pared delgada de Inconel 718, mientras que la parte inferior es el sustrato de acero inoxidable 304. En las tablas complementarias 2, 3 y 4 se enumeran más parámetros de proceso y propiedades termofísicas del material Inconel 718 y el material del sustrato acero inoxidable 304.

El modelo calcula la temperatura en función del tiempo y el espacio. El historial de temperatura detallado se emite en cada paso de tiempo para cada punto de sonda específico. Para investigar la correlación entre la historia térmica y las propiedades mecánicas, elegimos los puntos de prueba en la simulación en las mismas ubicaciones que los cupones de prueba de tracción experimentales. El procesamiento posterior adicional de las soluciones de temperatura proporciona datos adicionales utilizados para el análisis (consulte "Métodos"). El modelo computacional propuesto puede proporcionar eficientemente la historia térmica, la tasa de enfriamiento y la tasa de solidificación para investigar más a fondo la correlación entre los datos térmicos, la microestructura y las propiedades mecánicas.

Los parámetros en el modelo de convección de calor espacialmente variado, la eficiencia de absorción del láser y los valores de emisividad en el modelo se calibran utilizando el historial térmico medido por la cámara IR en el experimento. La Figura 2 muestra las historias de temperatura predichas por los modelos computacionales calibrados en comparación con los experimentos para los Casos A, B y C, respectivamente. Las ubicaciones de los puntos 3 a 8 para el Caso A y 1 a 12 para los Casos B y C están etiquetadas en las Fig. 1d y e complementarias.

a–c Caso A, 8 ubicaciones de especímenes. d–g Caso B, 12 ubicaciones de especímenes. h–k Caso C, 12 ubicaciones de especímenes. Se proporciona una vista ampliada de h en la Fig. 2 complementaria para mayor claridad. Las ubicaciones de los puntos están etiquetadas en la figura complementaria 1d y e.

Los resultados muestran que el historial térmico predicho concuerda bien con los resultados experimentales para la mayoría de las ubicaciones de las muestras. Por ejemplo, la Fig. 2a muestra una comparación de los historiales térmicos de la simulación (líneas sólidas) y los datos de la cámara IR experimental (líneas discontinuas) para los puntos 1, 2 y 3 en el Caso A durante el proceso DED. La temperatura inicial es la temperatura ambiente de 295 K. Alrededor de los 200 s, la temperatura del punto 1 aumenta cuando el láser comienza a escanear en esa ubicación.

Sin embargo, existen algunas discrepancias entre los datos simulados y medidos durante este aumento inicial. La temperatura medida aumenta más lentamente que la simulación y notablemente no supera la temperatura solidus del material (1533 K), lo cual es incorrecto. Además, en las imágenes IR de las figuras complementarias 1d y e, la superficie superior, especialmente el charco derretido justo debajo de la fuente láser, parece más frío que algunas de las capas construidas anteriormente. Esta falta de medición de la temperatura del material fundido se atribuye a la diferencia de emisividad entre las fases líquida y sólida del material26. La emisividad de las aleaciones de metales líquidos es mucho más baja que la de las aleaciones de metales sólidos, lo que conduce a mediciones erróneas de temperaturas bajas en el baño de fusión. Cerca y por encima de la temperatura solidus, por lo tanto, las temperaturas simuladas se consideran más confiables que los datos experimentales. Para mejorar la precisión de la temperatura medida, en el futuro se deben desarrollar métodos para calibrar la emisividad para aleaciones metálicas líquidas y sólidas. La precisión de la simulación puede verse afectada por una caracterización más detallada de las condiciones límite de la parte real, especialmente la convección de calor sobre toda la superficie.

Después de que la temperatura simulada disminuye por debajo de la temperatura solidus, las curvas simulada y experimental coinciden bien. La rápida oscilación de cada curva de temperatura es causada por las múltiples pasadas del láser a medida que se agrega material adicional; tanto la media como la amplitud de las oscilaciones disminuyen a medida que la pared crece en altura y aumenta la cantidad de material entre el punto y el punto láser. La fuente de láser se apaga alrededor de 615 s en la Fig. 2a, después de lo cual las curvas simulada y experimental disminuyen más rápida y monótonamente. (Hay un ligero retraso en el inicio de una disminución más rápida de la temperatura de alrededor de 5 a 10 s entre cada fila de puntos debido al tiempo de difusión térmica; este retraso es difícil de detectar en los gráficos debido a la escala de los ejes de temperatura). La tasa de enfriamiento durante este período final está determinada principalmente por la convección libre y la radiación en las superficies de la pared y el sustrato. Las tendencias de las historias térmicas son similares en la Fig. 2b-k. Para mayor claridad, se proporciona una vista ampliada de la curva de temperatura para el Caso C con las ubicaciones 1, 2 y 3 en la Fig. 2 complementaria.

La microestructura de las paredes delgadas de DED se observa mediante el microscopio electrónico de barrido (SEM). La microestructura con imagen SEM para muestras de pared delgada de 80 mm, pared delgada de 120 mm y pared delgada de 120 mm con un tiempo de permanencia de 5 s (casos A, B y C) se muestra en la Fig. 3a–f. Las ubicaciones de los puntos sondeados en las tres partes diferentes de pared delgada son (x, z) = (8,3, 34,6) mm, (15,0, 32,8) mm y (15,1, 39,3) mm, respectivamente, donde (x, 39,3) mm, z) = (0, 0) el punto se toma como la esquina inferior izquierda de las paredes delgadas en la figura complementaria 1d y e. La temperatura simulada se registra en el centro a través del espesor de cada ubicación de muestra. Las muestras de SEM de microestructura se visualizan desde la vista lateral (normal a la dirección de exploración, es decir, el plano yz) y la vista superior (normal a la dirección de construcción, es decir, el plano xy). A partir de las imágenes SEM, podemos ver la fase de la matriz γ, las fases de Laves y algunas fases δ (puntos negros dentro de las fases de Laves). A menudo se observa que las fases de Laves precipitan en los límites de grano. Las fases δ (Ni3Nb) normalmente precipitan a lo largo de los límites de grano y dentro de la matriz intergranular. Tanto las fases de Laves como las fases δ son perjudiciales para las propiedades mecánicas50. También podemos observar la formación de defectos en la microestructura, como los poros que se muestran en la Fig. 3d. Las formaciones de poros están altamente relacionadas con las historias térmicas y afectan las propiedades mecánicas de la pieza. Usando el software de procesamiento de imágenes ImageJ51, calculamos la fracción de volumen de las fases de Laves y el espaciado del brazo de dendrita primaria para la vista superior y lateral de las microestructuras en las tres paredes delgadas que se muestran en las Tablas complementarias 5 y 6.

Las imágenes de gran aumento a, b y c son la vista lateral (normal a la dirección de escaneo) de muestras de los tres casos, mientras que d, e y f muestran la vista superior (normal a la dirección de construcción). Las ubicaciones de los puntos sondeados son (x, z) = (8,3, 34,6) mm, (15, 32,8) mm y (15,1, 39,3) mm para los Casos A, B y C respectivamente. Algunas imágenes SEM originales (a–c) se han reimpreso de la ref. 74 con permiso de Elsevier. g Comparación de la velocidad de enfriamiento calculada, la microestructura y las propiedades mecánicas de diferentes paredes delgadas. Los valores se tabulan en la Tabla complementaria 5 normalizados por la media de los tres casos. Las barras de error para el espaciado de los brazos dendríticos primarios, UTS, límite elástico, límite de falla y módulo dan desviaciones estándar de experimentos repetidos. La tasa de enfriamiento y las fracciones de volumen de las fases de Laves se calculan en base a una sola simulación y medición y, por lo tanto, no se informa sobre una desviación estándar. Las barras de escala en (a–f) son de 40 μm.

Comparamos las tasas de enfriamiento, las características de la microestructura (espaciado del brazo de dendrita primaria y la fracción de volumen de las fases de Laves) y las propiedades mecánicas medidas experimentalmente (UTS, límite elástico, límite de falla y módulo) en la Tabla complementaria 5 para tres casos. Estos valores se representan en la Fig. 3g, normalizados por el valor medio en los tres casos. El espacio entre los brazos de las dendritas primarias se mide calculando el valor medio de varios espacios entre los brazos de las dendritas primarias en las imágenes SEM de la Fig. 3. La pared de 80 mm (Caso A) tiene el mayor espacio entre los brazos de las dendritas primarias, mientras que la pared de 120 mm con 5 s tiempo de permanencia (Caso C) tiene el más pequeño. Las barras de error basadas en la desviación estándar en las mediciones de experimentos repetidos también se muestran en la Fig. 3g. La tasa de enfriamiento se calcula en función del historial térmico de una sola ubicación en la pared (ver Métodos). Las fracciones de volumen de las fases de Laves se calculan en función de la única imagen SEM de la muestra. En la figura, podemos ver que el Caso C, con la velocidad de enfriamiento más alta, tiene los granos más finos y una resistencia relativamente alta (UTS, esfuerzo de fluencia, esfuerzo de falla y módulo), mientras que el Caso A, con la velocidad de enfriamiento más baja, tiene granos más gruesos. granos y menor resistencia. Podemos concluir que aumentar el tiempo entre escaneos láser sucesivos, ya sea aumentando el tamaño de la pared o el tiempo de permanencia, aumenta la velocidad de enfriamiento y conduce a microestructuras más finas y de mayor resistencia.

También investigamos las variaciones en la microestructura y las propiedades en diferentes lugares de la misma pared. Las vistas superior y lateral de la microestructura se muestran en tres ubicaciones diferentes para el Caso B en la Fig. 4a-f. Las ubicaciones de las muestras se muestran en la Fig. 3 complementaria; el punto 1 está más cerca de la parte superior de la pared, el punto 8 está en el medio y el punto 12 está cerca de la parte inferior. El espaciado del brazo de dendrita primaria y la fracción de volumen de las fases de Laves se calculan a partir de las imágenes SEM en la Fig. 4 a través de ImageJ y se enumeran en la Tabla complementaria 6 junto con la tasa de enfriamiento, el límite elástico, el UTS, el estrés de falla y el módulo. Estos valores, normalizados por sus medios, se representan en la Fig. 4g. En las imágenes SEM, se ven algunos poros negros circulares (presumiblemente esféricos) e irregulares en la Fig. 4a-f. Se espera que la formación de poros tanto esféricos como irregulares esté muy relacionada con el historial de temperatura, como se demostró en nuestro trabajo anterior52. Los poros esféricos pueden ser causados ​​por la evaporación de elementos metálicos en el baño de fusión, generalmente cuando la velocidad de escaneo del láser no es rápida, mientras que los poros irregulares son inducidos por la falta de fusión. La formación de poros conduce a la reducción del área de la sección transversal que soporta la carga durante el ensayo de tracción, lo que generalmente da como resultado una resistencia medida más baja53,54.

Las imágenes de gran aumento a, b y c son vistas laterales (normales a la dirección de escaneo) de las tres ubicaciones indicadas en la Fig. 3 complementaria. Las imágenes d, e y f muestran vistas superiores (normales a la dirección de construcción) del mismo ubicaciones. g Comparación de la velocidad de enfriamiento calculada, la microestructura y las propiedades mecánicas de diferentes ubicaciones en la pared para el Caso B. Los valores se tabulan en la Tabla complementaria 6, normalizados por la media en las tres ubicaciones. Las barras de error para el espaciado de los brazos dendríticos primarios, UTS, límite elástico, límite de falla y módulo dan desviaciones estándar de experimentos repetidos. La tasa de enfriamiento y las fracciones de volumen de las fases de Laves se calculan en base a una sola simulación y medición y, por lo tanto, no se informa sobre una desviación estándar. Las barras de escala en (a–f) son de 50 μm.

En la Fig. 4g, no vemos una correlación clara entre la velocidad de enfriamiento, la microestructura y las propiedades mecánicas. La ubicación central tiene un espacio de brazo de dendrita primaria más grande que el espécimen superior e inferior. De abajo hacia arriba, el espacio entre los brazos de las dendritas primarias aumenta gradualmente pero luego disminuye. La tendencia es la misma con la fracción de volumen de las fases de Laves y las propiedades mecánicas. Pero la velocidad de enfriamiento disminuye monótonamente desde la parte superior hasta la parte inferior de la pared, aunque las diferencias en la velocidad de enfriamiento entre las tres ubicaciones son pequeñas. Estos resultados indican que la velocidad de enfriamiento por sí sola es insuficiente para predecir las propiedades mecánicas para diferentes ubicaciones en una pared. Es posible que se necesiten otras características de historial térmico para desarrollar correlaciones entre el proceso y las propiedades mecánicas.

La relación entre el espaciado de los brazos dendríticos primarios medido y la velocidad de enfriamiento simulada para muestras de diferentes casos y ubicaciones se muestra en la Fig. 5a. El espaciado del brazo de dendrita primaria se mide a partir de las 12 imágenes de microestructura SEM con diferentes ubicaciones en diferentes casos. Las tasas de enfriamiento simuladas también se calculan en las ubicaciones correspondientes. El espaciado de los brazos de dendritas primarias, las tasas de enfriamiento simuladas y las ubicaciones de las 12 muestras se tabulan en la Tabla complementaria 7. La línea de puntos en la Fig. 5a es el ajuste lineal a los datos con el error R2 de 0,81:

donde λ1 es el espacio entre los brazos de las dendritas primarias (μm) y \(\dot{T}\) es la tasa de enfriamiento (K s−1). Los resultados indican una fuerte correlación entre el espacio entre los brazos de las dendritas primarias y la tasa de enfriamiento. Muestra que el aumento de la velocidad de enfriamiento conduce a un menor espacio entre los brazos de las dendritas, lo que concuerda con hallazgos anteriores28,55.

a Distancia entre brazos de dendritas primarias frente a velocidad de enfriamiento. La línea punteada es el ajuste lineal, \({\lambda }_{1}=-0.26\dot{T}+19.60\), donde λ1 es el espacio primario entre los brazos de las dendritas (μm) y \(\dot{T} \) es la tasa de enfriamiento (K s−1). El error R2 para el ajuste es 0,81. Los valores detallados y las ubicaciones de las muestras se tabulan en la Tabla complementaria 7. b Comparación del espaciado del brazo de dendrita primaria medido con modelos analíticos. La línea sólida es la que mejor se ajusta a un modelo lineal en \({G}^{-0.5}{V}_{s}^{-0.25}\) en la Ec. (4), mientras que la línea discontinua es el modelo analítico de Kurz y Fisher en la ecuación. (3). El error R2 para la ecuación de ajuste lineal es 0,90. El error R2 para el modelo de Kurz y Fisher es 0,47.

De acuerdo con la teoría de la solidificación34, el espaciado de los brazos dendríticos primarios está estrechamente relacionado con el gradiente térmico y la tasa de solidificación. Para comprender la relación entre el espaciado de los brazos dendríticos primarios, el gradiente térmico y la tasa de solidificación, comparamos nuestros datos con el modelo analítico de Kurz y Fisher34:

donde λ1 es el espacio primario entre los brazos de las dendritas (m), A es un coeficiente de ajuste, Γ es el coeficiente de Gibbs-Thomson (Γ = 3,65 × 10−7 K m), ΔT0 es el subenfriamiento (ΔT0 = Tl − Ts, la unidad es K), Dℓ es la constante de difusión en el líquido (m2 s−1), k es el coeficiente de reparto (k = 0,4856), G es el gradiente térmico (K m−1) y Vs es la velocidad de solidificación (m s −1). El gradiente térmico y la tasa de solidificación se calculan a partir de los datos de simulación (como se describe en "Métodos"), mientras que el espaciado del brazo de dendrita primaria se mide a partir de experimentos. Calculamos el valor de A a partir del mejor ajuste a nuestros datos experimentales utilizando el modelo de Kurz y Fisher. La forma final del modelo de Kurz y Fisher basado en nuestros datos de muestra es

donde el coeficiente \(B=A{\left({{\Gamma }}{{\Delta }}{T}_{0}{D}_{\ell }/k\right)}^{0.25}= 4,40\times 1{0}^{-4}\)K0,5 m0,75 s−0,25. El error R2 del modelo de Kurz y Fisher basado en los datos es 0,47.

También ajustamos los datos a una expresión que es lineal en \({G}^{-0.5}{V}_{s}^{-0.25}\):

donde el coeficiente C1 = 1,41 × 10−3K0,5 m0,75 s−0,25 y C2 = − 2,62 × 10−5m. El error R2 de la ecuación de ajuste lineal es 0,90.

La Figura 5b muestra la comparación entre el modelo de Kurz y Fisher en la ecuación. (3), el ajuste lineal en la ecuación. (4), y los datos experimentales. La principal diferencia entre el modelo de Kurz y Fisher y el ajuste lineal es que el modelo lineal tiene un desplazamiento en el origen mientras que el modelo de Kurz y Fisher no. La desviación del modelo de Kurz y Fisher podría ser el resultado de la velocidad de enfriamiento rápido y la geometría compleja de las puntas de las dendritas en lugar de las simples suposiciones del modelo1,34,57,58; también puede deberse a la incertidumbre en la medición del espacio entre los brazos de las dendritas.

La Figura 6a muestra la correlación entre el historial térmico y el UTS para todas las ubicaciones en tres casos (Casos A, B y C). Se realizan tres experimentos repetidos para cada caso. Cada punto de la gráfica representa el tiempo acumulativo pasado en un rango de temperatura dado para un historial de temperatura simulado particular; el color de cada punto representa el UTS medido experimentalmente para la ubicación correspondiente, mientras que la forma del símbolo (círculo, triángulo o estrella) denota las tres paredes diferentes (Caso A, B y C). Los detalles del cálculo del tiempo acumulado de los historiales térmicos en cada banda de temperatura se describen en Métodos y en la Fig. 4 complementaria. El caso C (la pared de 120 mm con un tiempo de permanencia de 5 s) muestra un UTS más alto que las paredes sin tiempo de permanencia. Se conjetura que el aumento del tiempo de permanencia durante la deposición conduce a una mayor velocidad de enfriamiento (consulte la Fig. 3g), lo que da como resultado una microestructura más fina y una mayor resistencia.

a UTS b esfuerzo de fluencia c esfuerzo de falla d módulo. La ubicación de cada marcador muestra cuánto tiempo pasó dentro de cada banda de temperatura de 25 grados. Los detalles del posprocesamiento de la temperatura se describen en Métodos y en la Fig. 4 complementaria. El color de cada marcador representa el valor de la propiedad mecánica de esa muestra. e Correlación entre velocidad de enfriamiento y UTS para las tres paredes. La línea verde es el ajuste lineal de todos los datos. El error R2 para el ajuste es 0,32.

Para la temperatura entre 1200 y 1533 K en la Fig. 6a, se pasa menos tiempo durante cada banda de temperatura para el Caso C (con tiempo de permanencia) que para el Caso B (el mismo tamaño de pared sin tiempo de permanencia), lo que también indica una solidificación más rápida en el Caso C Para temperaturas por debajo de 1200 K, se pasa mucho más tiempo en cada rango de temperatura en el Caso C. Tanto el tiempo más corto durante la solidificación como el más largo a temperaturas más moderadas se correlacionan con UTS más altos. Del mismo modo, las muestras del Caso B tienen UTS más alto que el Caso A en la Fig. 6a, y comparativamente se pasa más tiempo en cada rango de temperatura para el Caso B. Esto se debe a la mayor longitud de la pared y la ruta de escaneo en el Caso B, dando tiempos más largos entre sucesivos pases de láser.

La zona encerrada en una línea discontinua roja en la Fig. 6a representa la parte del historial térmico después de que se apaga el láser. Para la región de apagado del láser, el tiempo empleado es aproximadamente el mismo para las tres paredes, lo que indica que las diferencias en el historial de temperatura después del apagado del láser no juegan un papel en las diferencias en las propiedades mecánicas de nuestras pruebas.

En la Fig. 6b-d se muestran mapas de correlación similares con puntos de colores correspondientes a la tensión de fluencia, la tensión de falla y el módulo elástico. Las tendencias en el límite elástico y el estrés de falla son similares a las de UTS. Sin embargo, no hay una diferencia aparente en el módulo entre las paredes. Esto indica que las diferentes microestructuras causadas por las características del historial térmico pueden provocar variaciones en la resistencia del material, pero efectos menores en el módulo elástico.

La Figura 6e es la relación entre la tasa de enfriamiento y UTS para tres paredes delgadas diferentes. La línea verde en la Fig. 6e es el ajuste lineal de todos los datos. El error R2 para el ajuste es 0,32. Los resultados muestran que UTS aumenta a medida que aumenta la velocidad de enfriamiento. El caso C tiene el UTS más grande con la tasa de enfriamiento más grande entre los tres casos. Pero la correlación entre la velocidad de enfriamiento y la UTS para cada caso es débil, lo que indica que la velocidad de enfriamiento por sí sola no es suficiente para predecir las propiedades mecánicas. Necesitamos considerar más factores o características en las historias térmicas además de la velocidad de enfriamiento para predecir las propiedades mecánicas.

En la sección anterior, analizamos las tendencias en las propiedades mecánicas con respecto a las características observables del historial de temperatura, como la velocidad de enfriamiento y los descriptores de características de temperatura de orden reducido (tiempo empleado durante cada intervalo de temperatura). Sin embargo, la velocidad de enfriamiento por sí sola es insuficiente para predecir las propiedades mecánicas y es difícil expresar una relación cuantitativa entre las propiedades y los descriptores de temperatura de orden reducido que destacamos. Por lo tanto, nuestro objetivo es utilizar el aprendizaje automático para extraer características importantes de las historias térmicas y construir modelos predictivos de las propiedades de una historia térmica dada.

Una red neuronal convolucional (CNN) puede extraer automáticamente características esenciales y puede aprender características de alto nivel a partir de datos espaciales y temporales36,37,38,39. Trabajos recientes muestran que la CNN unidimensional se puede utilizar para analizar series temporales o secuenciar datos de manera eficaz40,41,42,43,44,45. Este trabajo utiliza CNN 1D para extraer características de los historiales térmicos y predecir propiedades mecánicas, como UTS, tensión de fluencia, tensión de falla y módulo de los puntos de muestra. La preparación de datos, la búsqueda de hiperparámetros y la arquitectura de la red neuronal se analizan en "Métodos".

La Figura 7 es la estructura de la red neuronal convolucional con la visualización de la capa convolucional intermedia. La entrada de la CNN entrenada es el historial de temperatura para cada ubicación sondeada en la pared delgada depositada. La salida de la red es UTS para las ubicaciones correspondientes. La Figura 8 muestra la comparación del UTS predicho por CNN con el UTS real medido. La figura 8a son los datos de entrenamiento, mientras que la figura 8b son los datos de prueba. Las puntuaciones de R2 para el entrenamiento y las pruebas son 0,96 y 0,67, como se muestra en el gráfico. Los resultados muestran que la estructura CNN propuesta puede predecir con precisión el UTS para muestras en estas construcciones de paredes delgadas en función del historial térmico.

La arquitectura CNN consta de tres capas convolucionales con una capa de agrupación máxima y la activación de ReLU, y capas totalmente conectadas con la activación de ReLU. Las tres subparcelas superiores son la visualización de la salida de las capas convolucionales primera, segunda y tercera. Las entradas de 1D CNN son las historias térmicas preprocesadas. El resultado son propiedades mecánicas (UTS).

a Datos de entrenamiento. b Datos de prueba.

De manera similar, también usamos la CNN 1D para predecir otras propiedades mecánicas, como el límite elástico, el límite de falla y el módulo. Los resultados de predicción basados ​​en datos de entrenamiento y prueba para la tensión de fluencia, la tensión de falla y el módulo elástico se muestran en las figuras complementarias. 5–7. Los puntajes de R2 para predecir el límite elástico, el límite de falla y el módulo para los datos de entrenamiento son 0.82, 0.72 y 0.37, respectivamente; para datos de prueba, son 0,70, 0,60 y 0,14. Estos resultados muestran que las CNN propuestas también pueden predecir la tensión de fluencia y la tensión de falla con buena precisión. La predicción del módulo usando las CNN no es buena, lo que se esperaba, porque el módulo es principalmente una función del tipo de material y no está altamente correlacionado con las diferencias microestructurales que dependen de la historia térmica59,60. También podemos ver que no existe una fuerte correlación entre las historias térmicas y el módulo en la Fig. 6d.

Para comprender qué características de los procesos térmicos tienen un efecto dominante en las propiedades mecánicas, generamos las capas convolucionales intermedias de la red entrenada. Visualizamos la salida de la primera, segunda y tercera capa convolucional (Conv1D_1, Conv1D_2, Conv1D_3) para todos los filtros de características; estos se muestran sobre el modelo CNN en la Fig. 7 y las vistas ampliadas se muestran en la Fig. 9. Las salidas de canal de cada capa de convolución informan cómo las capas convolucionales extraen los factores clave del historial de temperatura y transfieren información útil para formular las propiedades mecánicas. . Hay 32, 64 y 64 canales en las capas Conv1D_1, Conv1D_2 y Conv1D_3, respectivamente.

una Conv1D_1. dConv1D_2. y Conv1D_3. Cada subparcela en a, d y e representa la salida de la capa para uno solo de los 32, 64 y 64 canales o filtros. b, c Comparación del historial de temperatura con características extraídas de Conv1D_1 con el primer y tercer filtro de características. f, g Comparación del historial de temperatura con funciones extraídas de Conv1D_3 para fa filtro de función única y g todos los filtros de función. La línea azul representa el historial de temperatura de un caso. Los puntos rojos son las características extraídas de los filtros de características en la capa convolucional. Los valores de características extraídos originales se multiplican por 8000 para una comparación conveniente con el historial de temperatura en la misma gráfica.

La Figura 9 muestra la salida de la primera, segunda y tercera capa convolucional para todos los canales o filtros de características. La figura 9a es la salida de la primera capa convolucional para todos los canales. Hay 32 filtros de funciones para Conv1D_1. Los gráficos de salida distintos de cero muestran dos patrones principales. Un patrón, mostrado por ejemplo por el primer filtro de características, tiene la mayor cantidad de valores en los primeros pasos de tiempo. El otro patrón tiene valores desde 0 s hasta alrededor de 1100 s, como se ve, por ejemplo, en el tercer filtro de características. Algunas otras salidas en la Fig. 9a no están activadas y son cercanas a cero, lo que significa que estos filtros de características no capturan tendencias de la entrada y no transfieren ninguna información a la siguiente capa en la red. En la Fig. 9b y c, respectivamente, se muestra una comparación de la salida de características extraídas para el primer y tercer filtro de características de Conv1D_1 con el historial de temperatura. La línea azul representa el historial de temperatura. La línea de puntos rojos representa la salida extraída de la primera capa convolucional para los filtros de características primero y tercero. Los valores de características extraídos originales se multiplican por 8000 para una comparación conveniente con el historial de temperatura en la misma gráfica. Los resultados indican que no solo la temperatura durante los primeros ciclos (el rango de solidificación) influye en las propiedades mecánicas, sino que también el historial de temperatura completo desde el inicio del escaneo láser hasta el final del proceso (alrededor de 1100 s) juega un papel importante. La velocidad de enfriamiento calculada a partir del período de solidificación no puede representar todas las características térmicas sobre el efecto de las propiedades mecánicas. Tanto la temperatura de solidificación como el ciclo térmico completo repetido durante el escaneo láser afectan la formación de la microestructura y las propiedades mecánicas finales, como UTS.

También mostramos la salida de la segunda y tercera capas convolucionales en la Fig. 9d y e. Hay 64 filtros de características para Conv1D_2 y Conv1D_3. Al comparar las salidas de Conv1D_1, Conv1D_2 y Conv1D_3, Conv1D_1 captura la mayor parte de la información de la entrada, aunque algunos filtros de características no están activados. Para capas más profundas, la visualización de salida se vuelve más abstracta y menos interpretable. El Conv1D_3 contiene menos información en la visualización de salida, con una salida casi nula para varios filtros de características.

La comparación de las características extraídas de Conv1D_3 para un filtro de características elegido con el historial de temperatura se presenta en la Fig. 9f, y todos los filtros de características se muestran en la Fig. 9g. En la Fig. 9f, las características extraídas capturan la información de temperatura desde 0 s hasta alrededor de 1150 s. Al observar las características extraídas de todos los filtros de características en Conv1D_3 en la Fig. 9g, la salida captura información de temperatura desde el inicio del escaneo láser hasta el final de la fusión láser, que es similar a la tendencia de las salidas de Conv1D_1 y Conv1D_2.

A menudo es difícil comprender la relación entre las entradas y las salidas en un modelo de aprendizaje automático como CNN, pero en un intento de revelar aún más la contribución de los historiales térmicos a la predicción de UTS, comparamos las características extraídas de la primera capa convolucional (Conv1D_1) para múltiples casos de UTS alto y bajo en la Fig. 10. Para facilitar la comparación, seleccionamos 12 muestras en los tres casos de pared que tienen un tiempo de escaneo láser total similar (desde la deposición del material hasta el tiempo de apagado del láser), y las separamos en alto y bajo. Grupos UTS (seis muestras en cada grupo). La UTS media es de 780,90 MPa y 695,93 MPa para los grupos de UTS alta y baja, respectivamente. Los detalles de las muestras en ambos grupos se tabulan en las Tablas complementarias 8 y 9. Para ambos grupos, las características primera y tercera de la primera capa convolucional se trazan en la Fig. 10. Se distinguen patrones para ambas características en los dos grupos. Para la primera característica (Fig. 10a y c), que es prominente durante los primeros 300 s de enfriamiento, la señal extraída es en general más fuerte para el grupo UTS alto, con menos valores distintos de cero que para el grupo UTS bajo. Para el tercer filtro de características (Fig. 10b y d), los casos de UTS bajos (Fig. 10d) comienzan con una señal alta pero disminuyen durante los primeros 200 s, después de lo cual se estabilizan en un valor de alrededor de 0,02–0,03 antes de decaer después del láser. tiempo de apagado alrededor de 500 s. Los casos de UTS alto (Fig. 10b) mantienen una señal más alta entre 0,04 y 0,06 hasta el momento del apagado del láser. Aunque no podemos sacar conclusiones de estos gráficos sobre qué fenómenos físicos están involucrados, estos resultados indican que puede haber dos fenómenos separados que influyen en UTS; uno en tiempos tempranos y temperaturas altas (el primer filtro de características), y otro en tiempos más largos y temperaturas más moderadas (el tercer filtro de características).

a, c Características extraídas de Conv1D_1 con el primer filtro de características para casos UTS altos y bajos. b, d Características extraídas de Conv1D_1 con el tercer filtro de características para casos UTS altos y bajos.

En este trabajo, desarrollamos un modelo de elementos finitos validado con un modelo CNN basado en datos para investigar la correlación entre el historial térmico, la microestructura y las propiedades mecánicas durante el proceso DED con Inconel 718. En lugar de usar temperaturas IR medidas experimentalmente con incertidumbres, utilizó historiales de temperatura simulados de un modelo térmico, validado por experimentos in situ, para predecir las propiedades mecánicas mediante CNN. Las historias térmicas simuladas, las microestructuras y las propiedades mecánicas medidas se analizaron a fondo para comprender la relación proceso-estructura-propiedad. Las características clave de las historias térmicas fueron identificadas de manera eficiente por las CNN.

Los resultados demuestran la poderosa capacidad del modelo 1D CNN para predecir las propiedades mecánicas, incluido el UTS, la tensión de fluencia y la tensión de falla utilizando historiales térmicos simulados, en lugar de medidos. El modelo 1D CNN es efectivo y eficiente para identificar características ocultas importantes de historias térmicas complejas con buena precisión. Las características extraídas de las historias térmicas muestran diferentes contribuciones para muestras UTS altas y bajas. Para muestras de bajo UTS, los primeros ciclos térmicos contribuyen más fuertemente a las características filtradas, con contribuciones relativamente pequeñas de historias posteriores. Las muestras de UTS alto muestran una señal característica más fuerte durante los últimos tiempos y temperaturas más moderadas. Estos resultados enfatizan la importancia de considerar el historial térmico completo en lugar de las métricas térmicas simples, como la velocidad de enfriamiento, para obtener predicciones precisas de las propiedades mecánicas. Mediante el uso de temperaturas simuladas en lugar de experimentos, el modelo CNN basado en datos amplía la capacidad de predecir y monitorear las propiedades mecánicas para construcciones AM de geometrías de piezas complejas.

Las características extraídas del modelo 1D CNN pueden brindar información sobre la evolución de la microestructura. A partir de la visualización de capas convolucionales intermedias, se observa que no solo el rango de solidificación, sino también todo el historial térmico durante el escaneo láser tiene efectos sobre las propiedades mecánicas finales. Esto podría indicar que algunos precipitados, como las fases de Laves, la fase δ (Ni3Nb), la fase \({\gamma }^{\prime}\) Ni3(Al, Ti) y la fase γ″ (Ni3Nb), se forman durante la etapa intermedia. rango de temperatura. La fase γ″ es la principal precipitación de refuerzo en la aleación Inconel 718, mientras que la fase \({\gamma }^{\prime}\) es un precipitado de refuerzo auxiliar50. La fase δ y las fases de Laves son perjudiciales para las propiedades del material (resistencia, vida a la fatiga y ductilidad)61.

Se pueden formar diferentes precipitados en dos etapas: solidificación fuera del equilibrio y transformación de fase en estado sólido después de la solidificación. En la solidificación fuera de equilibrio, la matriz γ comienza a solidificarse cuando la temperatura está por debajo de la temperatura de liquidus durante los primeros ciclos térmicos. La segregación de los elementos componentes de Inconel 718 cambia la fuerza motriz de la formación de fases, lo que conduce a la formación de fases de Laves en la región interdendrítica62. Se ha informado que la formación de Laves está relacionada con una solidificación lenta a una velocidad de enfriamiento baja63. Sin embargo, no es suficiente usar la velocidad de enfriamiento como criterio de formación de Laves porque las fases de Laves también se observan a altas velocidades de enfriamiento en los procesos AM64,65. También se deben considerar los gradientes térmicos, el subenfriamiento y la velocidad de interfaz sólido-líquido. A medida que la temperatura continúa descendiendo después de la solidificación fuera del equilibrio, se produce la transformación de la fase de estado sólido. Precipitados como las fases δ, \({\gamma }^{\prime}\) y γ″ pueden formarse en esta etapa. Si el tiempo entre la deposición de capas es suficiente (p. ej., para un tiempo de permanencia prolongado), la temperatura disminuye rápidamente y el tiempo que el material pasa en el rango de temperatura de formación de precipitación (875–1275 K) del diagrama TTT (Temperatura-Tiempo-Transformación) de Inconel 71850,66 es demasiado corto para formar δ, \({\gamma }^{\prime}\) y γ″62. Si el tiempo de permanencia no es lo suficientemente largo para enfriar el material rápidamente, el tiempo pasado en el rango de temperatura de precipitación puede ser lo suficientemente largo para formar δ, \({\gamma }^{\prime}\) y γ″ en la microestructura. Tenga en cuenta que se ha observado que el tiempo requerido para formar precipitados es más corto para AM que para el Inconel 625 forjado debido a una mayor segregación interdendrítica en el material AM67,68,69. En Inconel 718, las fases \({\gamma }^{\prime}\) y el rango de temperatura de precipitación γ″ es de 875 a 1175 K, mientras que para las fases δ es de 1225 a 1275 K61,70,71. Ambos rangos de temperatura para la precipitación se encuentran dentro del rango de temperatura intermedia identificado a partir de la visualización de nuestros filtros de funciones CNN. Por lo tanto, las predicciones de la CNN pueden brindar más información para que los modelos futuros predigan la formación y evolución de los precipitados y se correlacionen con las propiedades mecánicas.

Para mantener la eficiencia computacional, el modelo térmico ignora el flujo de fluidos en el baño de fusión, junto con otros detalles de escala de polvo durante la deposición. Debido a estas suposiciones, no se capturan las características complejas de flujo y los mecanismos de transferencia de calor durante la deposición de polvo en el baño de fusión. Para los procesos de lecho de polvo, se ha demostrado que ignorar la convección en el baño de fusión da como resultado una menor disipación de calor en todo el baño de fusión, una sobreestimación del ancho del baño de fusión y una temperatura máxima más alta72,73. Los modelos de alta fidelidad, como los modelos de fluido térmico, pueden capturar más detalles físicos y proporcionar predicciones más precisas que el modelo térmico solo de conducción. Sin embargo, debido al gasto computacional de los modelos de fluido térmico, incluidos los requisitos de cuadrícula fina y tamaño de paso de tiempo, se limitan a volúmenes pequeños y las simulaciones repetidas a escala parcial no son factibles. Por otro lado, esperamos que la porción más importante de la historia térmica ocurra durante y después de la solidificación final en cada punto del material; Se espera que esta historia se vea menos afectada por el descuido del flujo en el baño de fusión justo después de la deposición de polvo en cada punto. La validación de nuestras simulaciones en la sección "Simulación y validación térmica" demuestra la precisión de las simulaciones para el régimen de temperatura deseado. Aunque carece de la fidelidad de los modelos computacionalmente más costosos, la forma de modelo térmico que elegimos proporciona una aproximación eficiente del historial térmico real que encontramos que se puede usar de manera confiable, a través de nuestro modelo basado en datos, para predecir las propiedades del material resultante. Para mejorar aún más la precisión de las predicciones de temperatura, en lugar de aumentar la fidelidad del modelo, es importante caracterizar mejor las condiciones de contorno y los parámetros de la superficie. Por ejemplo, la transferencia de calor por convección en todas las superficies y la emisividad radiativa dependiente de la temperatura del material tienen un impacto en las historias térmicas calculadas; la emisividad también afecta la interpretación de los datos de la cámara IR utilizados para la calibración y validación de las simulaciones.

Con suficientes datos microestructurales para el entrenamiento, la CNN podría, en principio, extenderse para predecir la información de la microestructura, como el espacio entre los brazos de las dendritas primarias en función de las historias térmicas. Sin embargo, el espaciado de las dendritas se mide a partir de las imágenes de caracterización SEM de las muestras experimentales, lo cual es costoso y lleva mucho tiempo, y no hay suficientes datos disponibles. También observamos defectos, incluidos los poros, en imágenes SEM. Se espera que la formación de poros esté muy relacionada con la historia térmica y puede afectar las propiedades mecánicas, como se demostró en nuestro trabajo anterior52. Un estudio adicional podría incorporar la información de porosidad en el modelo basado en datos para investigar esta relación proceso-estructura-propiedades; Actualmente, los efectos de la porosidad se capturan indirectamente a través de la CNN que relaciona la temperatura con las propiedades.

El marco CNN basado en datos propuesto tiene un gran potencial para las predicciones de propiedades mecánicas para piezas complejas construidas con AM y proporciona información física sobre los efectos térmicos en la microestructura y las propiedades mecánicas. Nuestros hallazgos indican que todo el historial de temperatura y tiempo, que se puede aproximar a través de una simulación térmica validada, influye en las propiedades mecánicas. Este enfoque y los conocimientos adquiridos a través de él pueden proporcionar información valiosa en el diseño y la mejora de DED y otros procesos de AM.

Se depositaron paredes delgadas de una sola pista de Inconel 718 a través de DED sobre sustratos de acero inoxidable 304 utilizando una máquina híbrida aditiva y sustractiva DMG MORI Lasertec 65 equipada con un monitor de fusión infrarrojo in situ. Las paredes se produjeron utilizando tres condiciones de proceso diferentes para variar las velocidades de solidificación y enfriamiento entre diferentes casos: paredes de 80 mm de largo (Caso A), paredes de 120 mm de largo (Caso B) y paredes de 120 mm de largo con una capa intermedia de 5 s. tiempo de permanencia (Caso C). Se realizan tres experimentos repetidos para cada caso. Cada muro está construido con 120 capas. La potencia del láser es de 1800 W y la velocidad de escaneo del láser es de 16,7 mm s−1 para todas las construcciones. El diseño de la trayectoria de la herramienta láser en el experimento se muestra en la figura complementaria 1b. El caudal másico de polvo es de 0,3 g s−1 con un radio de foco de polvo de 3 mm. Para el Caso C, después de la deposición de cada capa, se aplica un tiempo de permanencia de 5 s (una pausa en la construcción) antes de comenzar la siguiente capa, lo que permite un enfriamiento adicional.

En el proceso de deposición, se utilizó una cámara IR digital FLIR A655sc para capturar imágenes térmicas de la pared delgada durante la deposición. La resolución de la cámara es de 640 × 480 píxeles y el rango espectral es de 7,5 a 14,0 μm con una precisión de ±2 ∘C. La cámara IR registró la radiación infrarroja durante el proceso; Luego se obtuvieron mediciones de temperatura a partir de los datos de radiación IR sin procesar calibrando la emisividad en los puntos medidos. Las señales de las cámaras IR están relacionadas con la emisividad del material, la condición de la superficie y la eficiencia del detector. Para convertir con precisión la temperatura de emisión a temperatura absoluta, se debe determinar la emisividad del material. La temperatura de emisión se calibra usando las discontinuidades observadas al principio y al final de la región de transición liquidus-solidus. En la ref. 22

Los especímenes de cupón se cortaron mediante electroerosión por hilo para cada pared, y se realizaron mediciones para el módulo, UTS, límite elástico, límite elástico, límite elástico y límite elástico. Los especímenes de tracción ASTM E8 miniaturizados se cortaron con la dirección de prueba en la dirección de construcción (z) y se fabricaron en 9 ubicaciones diferentes en cada pared de 80 mm (Caso A) y 12 ubicaciones diferentes en cada pared de 120 mm (Casos B y C). La temperatura monitoreada por la cámara IR y las ubicaciones de las muestras de cupón para las pruebas de tracción se muestran en la Fig. 1 complementaria como referencia; La figura complementaria 1d muestra las ubicaciones de las muestras de cupón en el caso A, mientras que la figura complementaria 1e muestra las ubicaciones de las muestras en los casos B y C. Los tamaños de las muestras de prueba de tracción se muestran en la figura complementaria 8. Las dimensiones nominales de la sección de calibre son 0,8 mm de espesor por 1,2 mm de ancho por 2,5 mm de largo. Los ensayos de tracción se realizaron bajo control de desplazamiento hasta la fractura con una tasa de tracción de 0,02 mm s−1 en una máquina de ensayos de tracción Sintech 20 G. Se pueden encontrar más detalles de las pruebas de tracción y las dimensiones del cupón en la ref. 74. En la Fig. 9 complementaria se proporciona una curva de tensión-deformación típica para una muestra del Caso A como referencia. La tensión de fluencia, la tensión de rotura, el UTS y el módulo de Young se miden a partir de la curva de tensión-deformación.

Se cortaron, montaron y pulieron subconjuntos de especímenes de tracción de ubicaciones de pared seleccionadas hasta un acabado de 0,02 μm con sílice coloidal no cristalizante en un pulidor vibratorio. Se observaron microestructuras en dos caras de las muestras, normales a la dirección de construcción y la dirección de exploración, con un microscopio electrónico de barrido (SEM) FEI Quanta 650 con electrones secundarios (SE), electrones de retrodispersión (BSE) y rayos X de dispersión de energía. detectores de espectroscopia (EDS). La binarización y el análisis de las imágenes SEM fueron realizados por ImageJ Software51.

Las construcciones de paredes delgadas se simulan utilizando un modelo de elementos finitos. El historial térmico durante el proceso DED se calcula resolviendo la ecuación de conducción de calor de la siguiente forma:

donde ρ es la densidad del material, Cp es la capacidad calorífica específica, T es la temperatura, t es el tiempo, q es el flujo de calor y x es la coordenada espacial.

El vector de flujo de calor en la ecuación. (5) se supone que viene dado por la ley de Fourier:

donde k es la conductividad térmica del material, modelada como isotrópica (de modo que k es un escalar). Las propiedades térmicas de Inconel 718, es decir, la capacidad calorífica específica y la conductividad térmica, se consideran dependientes de la temperatura con los valores enumerados en la Tabla complementaria 10. Las propiedades a temperaturas entre las de la tabla se calculan mediante interpolación lineal.

El modelo térmico no considera el flujo de fluidos en el baño derretido, ni ninguna convección o movimiento superficial resultante. Por lo tanto, se desprecian la tensión superficial, las fuerzas de Marangoni, la flotabilidad, la viscosidad y la presión de retroceso debida a la evaporación. El modelo también ignora la difusión de elementos químicos, la reacción química, el cambio de composición del material y la microsegregación de solutos durante la solidificación.

La condición inicial para la deposición de pared delgada y el sustrato es una temperatura constante:

donde T∞ es la temperatura del aire ambiente. La condición de contorno describe el flujo de calor en la superficie del dominio, que incluye la pérdida de calor debido a la radiación, la convección, la evaporación y la fuente de calor del láser. La forma general de la condición de contorno del flujo de calor es

donde Γq es la superficie límite con vector normal n, qrad representa el flujo de calor radiativo aplicado en todas las superficies expuestas de la pared delgada y los sustratos, qconv es el flujo de calor debido a la convección en todas las superficies (convección libre con coeficiente constante en la parte inferior de el sustrato y la convección forzada con un coeficiente que varía espacialmente en la superficie de las paredes y otras superficies del sustrato), qevap es el flujo de calor debido a la evaporación, y qlaser es el flujo de calor del láser que se aplica en las superficies expuestas de la pared delgada y la superficie superior del sustrato. Tenga en cuenta que las superficies expuestas cambian a lo largo del proceso de construcción a medida que se agrega el material. Durante la construcción simulada, los elementos que representan el material recién agregado se activan según un programa determinado por la trayectoria del láser. Solo los elementos activos se consideran en el cálculo y la condición límite anterior se aplica en el límite exterior del dominio activo en cada paso de tiempo.

La condición límite del flujo de calor debido al intercambio de radiación con el entorno ambiental se aplica en todas las superficies expuestas de la pared delgada y el sustrato:

donde ε es la emisividad del material y σ es la constante de Stefan-Boltzmann.

El flujo de calor debido a la convección es

donde h es el coeficiente de convección de calor, x, y y z son las coordenadas del punto de interés. En la superficie inferior del sustrato, se aplica convección libre constante con un coeficiente de convección de 10 W m−2 K−1 para aproximarse a la convección libre en el aire13,75,76,77,78. En las superficies expuestas de la pared delgada y las superficies superiores del sustrato, usamos la misma forma de modelo de coeficiente de convección de calor espacialmente variado que la ref. 3. El modelo de convección espacialmente variable presentado en la ref. 3 explica los efectos de la convección forzada causada por los flujos de gas de protección y gas portador en el proceso DED. El coeficiente de convección de calor en las superficies de las paredes tiene la forma:

donde Δz es la distancia vertical desde la superficie superior de la pared hasta el punto de interés, x, y y z son las coordenadas del punto de interés, y xb, yb y zb son las coordenadas del centro del láser haz.

Dado que se espera que la convección en las superficies verticales de la pared delgada sea diferente de la de las superficies horizontales del sustrato, se aplica un modelo ligeramente diferente al sustrato3. También usamos la misma forma de la ecuación que la ref. 3 para la convección en la superficie superior del sustrato que se indica a continuación:

Los parámetros en ambas expresiones para el coeficiente de convección se calibran utilizando los datos del experimento DED.

La pérdida de calor debido al enfriamiento por evaporación cuando el material alcanza la temperatura de evaporación es

donde mevap es el flujo de evaporación de masa y Lv es el calor latente de vaporización. El término de flujo de evaporación de masa en la ecuación. (13) sigue el modelo propuesto por Anisimov79:

donde Psat es la presión de saturación a la temperatura T, Rgas es la constante de los gases y mmol es la masa molar de las especies que se evaporan. Específicamente, la presión de saturación Psat se puede calcular resolviendo la ecuación de Clausius-Clapeyron79:

donde Tb es el punto de ebullición o la temperatura de evaporación a la presión ambiente Pa.

La condición límite del flujo de calor del láser se aplica en las superficies expuestas de la pared delgada y la superficie superior del sustrato. Se supone que la distribución de la fuente de calor del láser sigue una relación gaussiana de la siguiente forma:

donde η es la eficiencia de absorción del láser, P es el polvo del láser y rb es el radio del haz.

La geometría del dominio computacional y las mallas se muestran en la figura complementaria 1c. Las dimensiones de las paredes delgadas se enumeran en la Tabla complementaria 1. La dimensión del sustrato en cada caso es de 200 mm × 75 mm × 75 mm en las direcciones x, y y z. Para cada caso, hay 120 capas de deposición con un espesor de capa de 0,5 mm. La potencia del láser es de 1800 W con una velocidad de exploración del láser de 16,7 mm s−1. Para el Caso A, la malla contiene 174.805 elementos con 222.304 nodos; para los Casos B y C, 238.613 elementos con 300.036 nodos. Para cada capa, la malla se discretiza para contener un elemento en la dirección del edificio y seis elementos a lo ancho del muro. Se considera que un elemento por capa para la malla de construcción de pared delgada es suficiente para la precisión computacional, ya que la profundidad del baño de fusión es más profunda que una sola capa en el proceso DED. El tamaño del paso de tiempo es de 0,12 s para todos los casos. Se utiliza un método de activación de elementos para acomodar la adición de material durante el proceso DED. Toda la malla se almacena desde el comienzo de la simulación, pero los elementos que representan material aún sin construir están inactivos y no se incluyen en el conjunto de matriz de elementos finitos. Los elementos se activan de acuerdo con la ruta del láser y el programa de construcción; a medida que se activan nuevos elementos, también se modifica la superficie expuesta sobre la que se aplican las condiciones de contorno. Se pueden encontrar más detalles del enfoque computacional en la ref. 52. Se utiliza un esquema de cuadratura gaussiana de ocho puntos (dos puntos en cada dirección) para evaluar integrales espaciales en la forma débil de elementos finitos. Se utiliza un método de Euler hacia atrás para discretizar el término temporal en la ecuación. (5). El método de Newton-Raphson se utiliza para resolver el conjunto de ecuaciones resultante, que no es lineal debido a los términos de radiación de la ecuación. (9).

Durante el proceso AM, la variación de las propiedades mecánicas es significativa debido a las diferentes historias térmicas. Para estudiar la correlación entre el tiempo de enfriamiento y las propiedades mecánicas (p. ej., Fig. 6a–d), extraemos un conjunto reducido de características de datos de cada historial térmico dividiendo cada historial térmico en diferentes rangos de temperatura con intervalos de 25 K y luego calculando el acumulado. tiempo pasado en cada rango de temperatura después de la solidificación (ver la Fig. 4 complementaria). Dado que nos enfocamos principalmente en los efectos térmicos sobre las propiedades mecánicas durante el período de solidificación del material, solo consideramos el historial de temperatura después de que la temperatura desciende por debajo de la temperatura solidus por última vez (el historial térmico en el área blanca en la Fig. 4 complementaria).

Se espera que la velocidad de enfriamiento afecte la formación de la microestructura y las propiedades mecánicas finales21,80,81. En este trabajo, calculamos la tasa de enfriamiento como la pendiente promedio del historial de temperatura entre el último cruce de la temperatura solidus (1533 K) y una temperatura arbitrariamente elegida de 1450 K para todos los puntos sondeados. Calculamos la tasa de enfriamiento justo después del último ciclo térmico en el rango de temperatura de 1533–1450 K, porque se espera que el último evento de solidificación en un punto sea el más importante en la microestructura resultante. En la figura complementaria 10 se muestra un ejemplo del cálculo de la tasa de enfriamiento.

Dado que el espaciado de los brazos dendríticos primarios está relacionado con la tasa de solidificación y el gradiente térmico, calculamos la tasa de solidificación a partir de los campos de temperatura simulados como se muestra en la Fig. 11 complementaria. La tasa de solidificación está en la dirección del vector normal a la superficie del interfaz líquido-sólido, que está dividida por los colores rojo y naranja. La tasa de solidificación Vs se puede calcular mediante \({V}_{s}=V\cos \theta\), donde V es la velocidad de escaneo del láser y θ es el ángulo entre la dirección del escaneo del láser y la dirección del vector normal a la interfaz líquido-sólido. Dado que cada punto de la pared delgada sufre ciclos térmicos repetidos, solo nos enfocamos en las propiedades de la estructura del proceso durante el período de solidificación y calculamos la tasa de solidificación a la última temperatura solidus para la ubicación.

Utilizamos la CNN 1D para extraer características de los historiales térmicos y predecir las propiedades mecánicas, incluido el UTS, la tensión de fluencia, la tensión de falla y el módulo. La entrada del modelo CNN es el historial térmico en una ubicación determinada en forma de una serie de valores de temperatura en puntos espaciados regularmente en el tiempo. El resultado son propiedades mecánicas para las ubicaciones correspondientes. Dado que la temperatura medida por IR no captura con precisión la temperatura a través del importante rango de solidificación inicial, como se muestra en la Fig. 2, usamos historias térmicas simuladas en lugar de datos experimentales como entrada en el modelo. Para preparar la curva del historial térmico en cada punto de muestra, definimos el tiempo inicial t = 0 como el momento en que el punto láser llega por primera vez a esa ubicación para cada historial de temperatura, es decir, cuando el material se agrega por primera vez en esa ubicación. Tenga en cuenta que es conveniente cargar cada conjunto de datos de entrada con el mismo tamaño en la CNN. Rellenamos los datos a un tiempo máximo uniforme utilizando una extrapolación lineal hasta la temperatura ambiente constante final, como se muestra en la figura complementaria 12. Para reducir el costo computacional, muestreamos cada décimo punto de los datos originales para que los puntos estén separados por un intervalo de tiempo de Δt = 1,2 s. Encontramos que 1000 puntos proporcionan suficiente resolución para definir la curva histórica de temperatura con precisión.

La arquitectura CNN utilizada en este documento comienza con tres bloques convolucionales, como se muestra en la Fig. 7. Para cada bloque convolucional, se eligen 32, 64 y 64 filtros con un tamaño de kernel de 5 × 1 para la primera, segunda y tercera capa convolucional. Se aplica una capa de agrupación máxima con un tamaño de filtro de 2 × 1 en cada bloque convolucional, y se usa una activación de unidad lineal rectificada (ReLU) para todas las capas convolucionales y completamente conectadas. La información extraída de bloques convolucionales anteriores se aplana y se alimenta a dos capas completamente conectadas con 100 y 80 neuronas, respectivamente. El tamaño de los datos de entrada es 1000, que es la longitud de la serie de valores de temperatura en el tiempo. El tamaño de salida es 1. Tanto los datos de entrada como los de salida se normalizan min-max antes de cargarlos en el entrenamiento de CNN. El optimizador de Adam se utiliza en el entrenamiento para minimizar el error cuadrático medio (MSE). Se aplica un método de parada anticipada para evitar el sobreajuste. La paciencia de la detención anticipada es de 100 épocas, lo que significa que el entrenamiento se detendrá si la pérdida de validación no mejora después de 100 épocas. El conjunto de datos se divide en un 70 % para entrenamiento y un 30 % para prueba, y los datos de prueba se usan para medir la pérdida de validación.

El MSE se define en el siguiente formato:

Para evaluar el rendimiento de la estructura CNN, la puntuación R2 se calcula en función de la diferencia entre UTS predicho y medido:

donde \({\hat{y}}_{i}\) es el valor predicho de la i-ésima muestra, yi es el valor real de la muestra, \(\bar{y}\) es la media de todos los datos reales yn es el número de muestras. Cuanto mayor sea el R2, mejor será la predicción.

En este trabajo se aplica una grilla de búsqueda para sintonizar los hiperparámetros en la CNN. Una CNN consta de capas convolucionales, capas de agrupación y capas totalmente conectadas. En la capa convolucional, los hiperparámetros incluyen el número de filtros, el tamaño del núcleo y los números de zancada. Para la capa de agrupación, los hiperparámetros incluyen el tamaño del filtro, el relleno y los números de paso. También necesitamos decidir el número de bloques convolucionales, el número de capas completamente conectadas y el número de neuronas por capa. Para el ajuste de hiperparámetros, buscamos el número de bloques convolucionales y el tamaño del filtro con un tamaño de kernel preseleccionado de cinco y un tamaño de paso de uno. El número de bloques convolucionales varía de dos a cinco y el tamaño del filtro varía de 32 a 256. También buscamos el número de capas ocultas en las capas completamente conectadas y el número de neuronas por capa, con números de capas ocultas que varían de uno a cinco, y el número de neuronas varía de 10 a 100 con un paso de 10. El rendimiento de cada estructura de CNN se evalúa en función de la puntuación R2.

Los principales datos que respaldan los hallazgos de este estudio se presentan en el documento y la información complementaria. Los conjuntos de datos utilizados en el modelo CNN también se proporcionan en https://github.com/lichaofang/CNN_AM, incluidos los historiales térmicos procesados ​​y las propiedades mecánicas. Los datos adicionales están disponibles del autor correspondiente a pedido razonable.

El código Python de CNN utilizado en este estudio se puede encontrar en https://github.com/lichaofang/CNN_AM. El código adicional utilizado en este estudio está disponible del autor correspondiente a pedido razonable.

Keller, T. et al. Aplicación de métodos de elementos finitos, de campo de fase y basados ​​en CALPHAD a la fabricación aditiva de superaleaciones basadas en Ni. Acta Mater. 139, 244–253 (2017).

Artículo CAS Google Académico

DebRoy, T. et al. Fabricación aditiva de componentes metálicos: proceso, estructura y propiedades. prog. Mate. ciencia 92, 112–224 (2018).

Artículo CAS Google Académico

Heigel , JC , Michaleris , P. & Reutzel , EW Desarrollo y validación de modelos termomecánicos de fabricación aditiva de deposición de energía dirigida de Ti–6Al–4V . Agregar Fabricación 5, 9–19 (2015).

CAS Google Académico

Wang, Z., Palmer, TA y Beese, AM Efecto de los parámetros de procesamiento en la microestructura y las propiedades de tracción del acero inoxidable austenítico 304L fabricado mediante fabricación aditiva por deposición de energía dirigida. Acta Mater. 110, 226–235 (2016).

Artículo CAS Google Académico

Gan, Z., Liu, H., Li, S., He, X. & Yu, G. Modelado del comportamiento térmico y transporte de masa en la fabricación aditiva láser multicapa de aleación basada en Ni en hierro fundido. En t. J. Transferencia de masa de calor. 111, 709–722 (2017).

Artículo CAS Google Académico

Wei, H., Mazumder, J. & DebRoy, T. Evolución de la textura de solidificación durante la fabricación aditiva. ciencia Rep. 5, 16446 (2015).

Artículo CAS Google Académico

Manvatkar, V., Gokhale, A., Reddy, GJ, Venkataramana, A. & De, A. Estimación de las dimensiones del baño de fusión, el ciclo térmico y la distribución de la dureza en el proceso de conformación de redes de acero inoxidable austenítico diseñado con láser. Metal. Mate. Trans. A 42, 4080–4087 (2011).

Artículo CAS Google Académico

Li, Y. & Gu, D. Análisis paramétrico del comportamiento térmico durante la fabricación aditiva de fusión por láser selectiva de polvo de aleación de aluminio. Mate. Des. 63, 856–867 (2014).

Artículo CAS Google Académico

Foroozmehr, A., Badrossamay, M., Foroozmehr, E. & Golabi, S. Simulación de elementos finitos del proceso de fusión selectiva por láser considerando la profundidad de penetración óptica del láser en lecho de polvo. Mate. Des. 89, 255–263 (2016).

Artículo CAS Google Académico

Kelly, S. & Kampe, S. Evolución microestructural en construcciones multicapa Ti-6Al-4V depositadas con láser: Parte II. modelado térmico. Metal. Mate. Trans. 35, 1869–1879 (2004).

Artículo Google Académico

Labudovic, M., Hu, D. & Kovacevic, R. Un modelo tridimensional para la deposición directa de polvo metálico con láser y la creación rápida de prototipos. J.Mater. ciencia 38, 35–49 (2003).

Artículo CAS Google Académico

Jendrzejewski, R., Śliwiński, G., Krawczuk, M. & Ostachowicz, W. Temperatura y campos de tensión inducidos durante el revestimiento con láser. computadora. Estructura. 82, 653–658 (2004).

Artículo Google Académico

Wang, L., Felicelli, SD & Pratt, P. Tensiones residuales en placas de acero inoxidable AISI 410 depositadas por LENS. Mate. ciencia Ing.: A 496, 234–241 (2008).

Artículo CAS Google Académico

Ghosh, S. & Choi, J. Análisis de elementos finitos transitorios tridimensionales para tensiones residuales en el proceso de deposición directa de metal/material asistido por láser. J. Aplicación láser. 17, 144–158 (2005).

Artículo CAS Google Académico

Tan, H. et al. Mecanismos de proceso basados ​​en la distribución espacial del flujo de polvo en la deposición directa de metales. J.Mater. Proceso. Tecnología 254, 361–372 (2018).

Artículo Google Académico

Chukkan, JR, Vasudevan, M., Muthukumaran, S., Kumar, RR & Chandrasekhar, N. Simulación de soldadura láser a tope de chapa de acero inoxidable AISI 316L utilizando varias fuentes de calor y validación experimental. J.Mater. Proceso. Tecnología 219, 48–59 (2015).

Artículo CAS Google Académico

Denlinger, ER, Jagdale, V., Srinivasan, G., El-Wardany, T. & Michaleris, P. Modelado térmico de Inconel 718 procesado con fusión de lecho de polvo y validación experimental usando mediciones in situ. Agregar Fabricación 11, 7–15 (2016).

CAS Google Académico

Qian, L., Mei, J., Liang, J. y Wu, X. Influencia de la posición y la potencia del láser en el historial térmico y la microestructura de muestras de Ti–6Al–4V fabricadas con láser directo. Mate. ciencia Tecnología 21, 597–605 (2005).

Artículo CAS Google Académico

Bai, X., Zhang, H. y Wang, G. Modelado del calentamiento por inducción en movimiento utilizado como fuente de calor secundaria en la fabricación aditiva basada en soldadura. En t. j adv. Fabricación Tecnología 77, 717–727 (2015).

Artículo Google Académico

Bai, X., Zhang, H. y Wang, G. Mejora de la precisión de predicción del análisis térmico para la fabricación aditiva basada en soldadura mediante la calibración de parámetros de entrada mediante imágenes IR. En t. j adv. Fabricación Tecnología 69, 1087–1095 (2013).

Artículo Google Académico

Wolff, SJ et al. Predicciones validadas experimentalmente de la historia térmica y la microdureza en Inconel 718 depositado con láser sobre acero al carbono. Agregar Fabricación 27, 540–551 (2019).

CAS Google Académico

Bennett, JL y col. Efecto de la velocidad de enfriamiento sobre la resistencia a la tracción del Inconel 718 depositado con láser. Procedia Manuf. 26, 912–919 (2018).

Artículo Google Académico

Yan, Z. et al. Revisión sobre análisis térmico en fabricación aditiva basada en láser. Optar. Tecnología láser. 106, 427–441 (2018).

Artículo CAS Google Académico

Johnson, KL y col. Simulación y comparación experimental de la historia termomecánica y evolución de la microestructura 3D de tubos de acero inoxidable 304L fabricados con LENS. computar mecánico 61, 559–574 (2018).

Artículo Google Académico

Price, S., Lydon, J., Cooper, K. & Chou, K. Análisis de temperatura experimental de la fabricación aditiva de haz de electrones a base de polvo. En el 24º Simposio Anual Internacional de Fabricación de Forma Libre Sólida, Austin, TX, 162–173 (2013).

Yang, D., Wang, G. y Zhang, G. Análisis térmico para la fabricación aditiva basada en GMAW multicapa de un solo paso mediante termografía infrarroja. J.Mater. Proceso. Tecnología 244, 215–224 (2017).

Artículo Google Académico

Zhou, S., Dai, X. & Zeng, X. Efectos de los parámetros de procesamiento en la estructura de los recubrimientos compuestos de WC a base de Ni durante el revestimiento rápido híbrido de inducción láser. aplicación Navegar. ciencia 255, 8494–8500 (2009).

Artículo CAS Google Académico

Popovich, V. et al. Inconel 718 clasificado funcionalmente procesado por fabricación aditiva: textura cristalográfica, anisotropía de microestructura y propiedades mecánicas. Mate. Des. 114, 441–449 (2017).

Artículo CAS Google Académico

Thomas, A., El-Wahabi, M., Cabrera, J. y Prado, J. Deformación a alta temperatura de Inconel 718. J. Mater. Proceso. Tecnología 177, 469–472 (2006).

Artículo CAS Google Académico

Raghavan, N. et al. Modelado numérico de la transferencia de calor y la influencia de los parámetros del proceso en la adaptación de la morfología del grano de IN718 en la fabricación aditiva de haces de electrones. Acta Mater. 112, 303–314 (2016).

Artículo CAS Google Académico

Gan, Z. et al. Estudio de referencia del comportamiento térmico, topografía superficial y microestructura dendrítica en la fusión láser selectiva de Inconel 625. Integr. Mate. Fabricación innovador 8, 178–193 (2019).

Artículo Google Académico

Rappaz, M. & Gandin, CA Modelado probabilístico de formación de microestructuras en procesos de solidificación. Acta Mater. 41, 345–360 (1993).

Artículo CAS Google Académico

Li, S. et al. Movimiento de fusión, variación de temperatura y morfología dendrítica de Inconel 718 durante la fabricación aditiva de láser de onda continua y pulsada: un estudio comparativo. Mate. Des. 119, 351–360 (2017).

Artículo CAS Google Académico

Kurz, W. & Fisher, D. Crecimiento de dendrita en el límite de estabilidad: radio de punta y espaciado. Acta Mater. 29, 11–20 (1981).

Artículo CAS Google Académico

Raghavan, A., Wei, H., Palmer, T. y DebRoy, T. Transferencia de calor y flujo de fluidos en la fabricación aditiva. J. Aplicación láser. 25, 052006 (2013).

Artículo CAS Google Académico

Herriott, C. & Spear, AD Predicción de propiedades mecánicas dependientes de la microestructura en metales fabricados de forma aditiva con métodos de aprendizaje automático y profundo. computar Mate. ciencia 175, 109599 (2020).

Artículo CAS Google Académico

Guo, X., Li, W. & Iorio, F. Redes neuronales convolucionales para la aproximación de flujo constante. En Proc. 22a Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos, 481–490 (2016).

Kim, J. & Lee, C. Predicción de la transferencia de calor turbulenta utilizando redes neuronales convolucionales. J. Mecánica de fluidos. 882, A18 (2020).

Artículo CAS Google Académico

Fonda, E., Pandey, A., Schumacher, J. & Sreenivasan, KR Aprendizaje profundo en redes de convección turbulenta. proc. nacional Academia ciencia EE. UU. 116, 8667–8672 (2019).

Artículo CAS Google Académico

Abdeljaber, O., Avci, O., Kiranyaz, S., Gabbouj, M. & Inman, DJ Detección de daños estructurales basada en vibraciones en tiempo real utilizando redes neuronales convolucionales unidimensionales. J. Sonido Vibración. 388, 154–170 (2017).

Artículo Google Académico

Kiranyaz, S., Ince, T. & Gabbouj, M. Clasificación de ECG específica del paciente en tiempo real mediante redes neuronales convolucionales 1-D. Trans. IEEE. biomedicina Ing. 63, 664–675 (2015).

Artículo Google Académico

Abdeljaber, O. et al. CNN 1-D para la detección de daños estructurales: verificación en datos de referencia de monitoreo de salud estructural. Neurocomputación 275, 1308–1317 (2018).

Artículo Google Académico

Kiranyaz, S. et al. Aplicaciones y redes neuronales convolucionales 1D: una encuesta. mecánico sist. Proceso de señal. 151, 107398 (2021).

Artículo Google Académico

Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M. & Inman, DJ Wireless y detección de daños estructurales en tiempo real: un nuevo método descentralizado para redes de sensores inalámbricos. J. Sonido Vibración. 424, 158–172 (2018).

Artículo Google Académico

Yang, D., Pang, Y., Zhou, B. y Li, K. Diagnóstico de fallas para Internet de energía utilizando redes neuronales convolucionales basadas en el procesamiento de correlación. Trans. IEEE. sist. Hombre Cybern.: Sist. 49, 1739-1748 (2019).

Artículo Google Académico

Schirrmeister, RT et al. Aprendizaje profundo con redes neuronales convolucionales para decodificación y visualización de EEG. Tararear. Mapa cerebral. 38, 5391–5420 (2017).

Artículo Google Académico

Xie, X. et al. Predicción mecanicista basada en datos de las propiedades mecánicas construidas en la fabricación aditiva de metal. Cálculo npj. Mate. 7, 1–12 (2021).

Artículo CAS Google Académico

Mahendran, A. & Vedaldi, A. Visualización de redes neuronales convolucionales profundas utilizando preimágenes naturales. En t. J. Cómputo. Vis. 120, 233–255 (2016).

Artículo Google Académico

Yosinski, J., Clune, J., Nguyen, A., Fuchs, T. & Lipson, H. Comprender las redes neuronales a través de la visualización profunda. arXiv:1506.06579 (2015).

Sui, S. et al. La influencia de las fases de lavado en las propiedades de tracción a temperatura ambiente del Inconel 718 fabricado mediante la fabricación aditiva láser con alimentación de polvo. Acta Mater. 164, 413–427 (2019).

Artículo CAS Google Académico

Abràmoff, MD, Magalhães, PJ & Ram, SJ Procesamiento de imágenes con imagej. Biofotónica Int. 11, 36–42 (2004).

Google Académico

Wolff, SJ et al. Un marco para vincular el enfriamiento localizado y las propiedades del Ti-6Al-4V procesado por deposición de energía dirigida (DED). Acta Mater. 132, 106–117 (2017).

Artículo CAS Google Académico

Vilaro, T., Colin, C. & Bartout, J.-D. Microestructuras fabricadas y tratadas térmicamente de la aleación Ti-6Al-4V procesadas mediante fusión selectiva por láser. Metal. Mate. Trans. A 42, 3190–3199 (2011).

Artículo CAS Google Académico

Aboulkhair, NT, Everitt, NM, Ashcroft, I. y Tuck, C. Reducción de la porosidad en piezas de AlSi10Mg procesadas mediante fusión selectiva por láser. Agregar Fabricación 1, 77–86 (2014).

Google Académico

Li, S., Wei, Q., Shi, Y., Zhu, Z. y Zhang, D. Características de la microestructura de la superaleación Inconel 625 fabricada mediante fusión selectiva por láser. J.Mater. ciencia Tecnología 31, 946–952 (2015).

Artículo CAS Google Académico

Nie, P., Ojo, O. & Li, Z. Modelado numérico de la evolución de la microestructura durante la fabricación aditiva con láser de una superaleación a base de níquel. Acta Mater. 77, 85–95 (2014).

Artículo CAS Google Académico

Kirkaldy, J., Liu, L. & Kroupa, A. Células de velocidad forzada de película delgada y dendritas celulares-II. análisis de los datos. Acta Mater. 43, 2905–2915 (1995).

Artículo CAS Google Académico

Liu, L. & Kirkaldy, J. Células de velocidad forzada de película delgada y dendritas celulares-I. experimentos Acta Mater. 43, 2891-2904 (1995).

Artículo CAS Google Académico

Ge, J., Lin, J., Fu, H., Lei, Y. & Xiao, R. Una periodicidad espacial de la evolución microestructural y las propiedades anti-indentación de la pieza de pared delgada 2Cr13 de fabricación aditiva de arco de alambre. Mate. Des. 160, 218–228 (2018).

Artículo CAS Google Académico

Chen, L. et al. Respuesta anisotrópica de la aleación Ti-6Al-4V fabricada mediante fusión láser selectiva de impresión 3D. Mate. ciencia Ing.: A 682, 389–395 (2017).

Artículo CAS Google Académico

Anderson, M., Thielin, A.-L., Bridier, F., Bocher, P. y Savoie, J. Precipitación de fase δ en Inconel 718 y propiedades mecánicas asociadas. Mate. ciencia Ing.: A 679, 48–55 (2017).

Artículo CAS Google Académico

Kumara, C., Balachandramurthi, AR, Goel, S., Hanning, F. y Moverare, J. Hacia una mejor comprensión de las transformaciones de fase en la fabricación aditiva de la aleación 718. Materialia 13, 100862 (2020).

Artículo CAS Google Académico

Antonsson, T. & Fredriksson, H. El efecto de la velocidad de enfriamiento en la solidificación de INCONEL 718. Metall. Mate. Trans. B 36, 85–96 (2005).

Artículo Google Académico

Ghosh, S., Stoudt, MR, Levine, LE & Guyer, JE Formación de gotitas ricas en Nb en microestructuras de matriz Ni depositadas con láser. Scr. Mate. 146, 36–40 (2018).

Artículo CAS Google Académico

Ghosh, S. et al. Microestructuras y mediciones de charcos de fusión de vía única en Inconel 625. JOM 70, 1011–1016 (2018).

Artículo CAS Google Académico

Oradei-Basile, A. & Radavich, JF Un diagrama TTT actual para la aleación forjada 718. Superalloys 718, 325–335 (1991).

Artículo Google Académico

Lindwall, G. et al. Simulación de curvas TTT para Inconel 625 de fabricación aditiva. Metall. Mate. Trans. A 50, 457–467 (2019).

Artículo CAS Google Académico

Stoudt, MR et al. La influencia de la temperatura y el tiempo de recocido en la formación de la fase δ en Inconel 625 fabricado de forma aditiva. Metall. Mate. Trans. A 49, 3028–3037 (2018).

Artículo CAS Google Académico

Zhang, F. et al. Efecto del tratamiento térmico en la evolución microestructural de una superaleación a base de níquel fabricada aditivamente por fusión láser en lecho de polvo. Acta Mater. 152, 200–214 (2018).

Artículo CAS Google Académico

Kuo, Y.-L., Horikawa, S. & Kakehi, K. El efecto de la fase δ interdendrítica en las propiedades mecánicas de la aleación 718 construida por fabricación aditiva. Mate. Des. 116, 411–418 (2017).

Artículo CAS Google Académico

Li, R., Yao, M., Liu, W. & He, X. Aislamiento y determinación de las fases δ, \({\gamma }^{\prime}\) y γ″ en la aleación Inconel 718. Scr. Mate. 46, 635–638 (2002).

Artículo CAS Google Académico

Yan, W. et al. Caracterización basada en datos de modelos térmicos para la fabricación aditiva de fusión de lecho de polvo. Agregar Fabricación 36, 101503 (2020).

Google Académico

Le, T.-N. & Lo, Y.-L. Efectos de la concentración de azufre y la convección marangoni en la formación de charcos de fusión en el modo de transición del proceso de fusión por láser selectivo. Mate. Des. 179, 107866 (2019).

Artículo CAS Google Académico

Bennett, J., Glerum, J. y Cao, J. Relación entre las propiedades de tracción de piezas fabricadas de forma aditiva y las métricas térmicas. CIRP Ana. - Fabricación Tecnología 70, 187–190 (2021).

Artículo Google Académico

He, X., Yu, G. & Mazumder, J. Perfil de temperatura y composición durante el revestimiento láser de doble vía de acero para herramientas H13. J. física. D: aplicación física 43, 015502 (2009).

Artículo CAS Google Académico

Pratt, P., Felicelli, S., Wang, L. y Hubbard, C. Medición de la tensión residual de placas finas de AISI 410 con forma de red diseñadas con láser mediante difracción de neutrones. Metal. Mate. Trans. A 39, 3155–3163 (2008).

Artículo CAS Google Académico

Zheng, B., Zhou, Y., Smugeresky, J., Schoenung, J. & Lavernia, E. Comportamiento térmico y evolución microestructural durante la deposición por láser con formación de red diseñada por láser: Parte I. Cálculos numéricos. Metal. Mate. Trans. A 39, 2228–2236 (2008).

Artículo CAS Google Académico

Zheng, B., Zhou, Y., Smugeresky, J., Schoenung, J. y Lavernia, E. Comportamiento térmico y evolución de la microestructura durante la deposición por láser con formación de red diseñada por láser: parte II. investigación experimental y discusión. Metal. Mate. Trans. A 39, 2237–2245 (2008).

Artículo CAS Google Académico

Anisimov, SI & Khokhlov, VA Inestabilidades en la interacción láser-materia (CRC press, 1995).

Zhang, W. et al. Efecto de las velocidades de enfriamiento en los espacios entre dendritas de la aleación DZ125 solidificada direccionalmente bajo un alto gradiente térmico. Metales raros 28, 633 (2009).

Artículo CAS Google Académico

Wei, H., Knapp, G., Mukherjee, T. y DebRoy, T. Crecimiento de grano tridimensional durante la impresión multicapa de una aleación Inconel 718 a base de níquel. Addit. Fabricación 25, 448–459 (2019).

CAS Google Académico

Descargar referencias

Este trabajo fue apoyado por la Fundación Nacional de Ciencias (NSF) bajo el Subsidio No. CMMI-1934367 y el Instituto de Innovación Colaborativa de Beijing bajo el Subsidio No. 20183405. JAG y JB reconocen el apoyo del Laboratorio de Investigación del Ejército de EE. UU. bajo el Subsidio No. W911NF-19 -2-0092. El trabajo de análisis SEM hizo uso de la instalación EPIC del Centro NUANCE y la Instalación MatCI del Centro de Investigación de Materiales de la Universidad Northwestern, que contó con el apoyo de la NSF en virtud de la subvención n.º ECCS-1542205 y DMR-1720139, el Instituto Internacional de Nanotecnología (IIN ), la Fundación Keck y el Estado de Illinois a través del IIN.

Lin Cheng

Dirección actual: Departamento de Ingeniería Mecánica y de Materiales, Instituto Politécnico de Worcester, Worcester, MA, 01609, EE. UU.

jennifer bennett

Dirección actual: Departamento de Ingeniería Civil y Mecánica, Academia Militar de EE. UU. en West Point, West Point, NY, 10996, EE. UU.

Departamento de Ingeniería Mecánica, Universidad Northwestern, Evanston, IL, 60208, EE. UU.

Lichao Fang, Lin Cheng, Jennifer Bennett, Jian Cao y Gregory J. Wagner

Departamento de Ciencia e Ingeniería de Materiales, Universidad Northwestern, Evanston, IL, 60208, EE. UU.

Jennifer A. Glerum

DMG MORI, Hoffman Estates, IL, 60192, EE. UU.

jennifer bennett

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

LF conceptualizó el estudio, desarrolló el modelo térmico, diseñó los modelos de aprendizaje automático, analizó los resultados y escribió los manuscritos y la información complementaria. LC contribuyó a la discusión de los modelos basados ​​en datos. JAG realizó la caracterización de la microestructura SEM. JB realizó los experimentos DED y las pruebas de tracción. JC supervisó los experimentos DED. GJW supervisó el proyecto, co-conceptualizó el estudio y coescribió y editó el manuscrito. Todos los autores contribuyeron a la discusión de los resultados y la preparación del manuscrito.

Correspondencia a Gregory J. Wagner.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Información complementaria: análisis basado en datos del proceso, la estructura y las propiedades de las paredes de cosas de Inconel 718 fabricadas de forma aditiva

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Colmillo, L., Cheng, L., Glerum, JA et al. Análisis basado en datos del proceso, la estructura y las propiedades de paredes delgadas de Inconel 718 fabricadas de forma aditiva. npj Comput Mater 8, 126 (2022). https://doi.org/10.1038/s41524-022-00808-5

Descargar cita

Recibido: 16 Septiembre 2021

Aceptado: 10 de mayo de 2022

Publicado: 06 junio 2022

DOI: https://doi.org/10.1038/s41524-022-00808-5

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Avances en Fabricación Aditiva (2023)

Reseñas de Contaminación Ambiental y Toxicología (2022)