基于机器学习和数值模拟的选区激光熔化Al-Mg-Sc-Zr合金成形工艺优化

本研究旨在利用机器学习方法优化Al-Mg-Sc-Zr高强铝合金的选区激光熔化(Selective laser melting,SLM)成形工艺。由于实验获取样本的成本高、周期长,本文通过SLM成形数值模拟获得充足的实验样本。以激光功率、扫描速度和扫描间距为输入,以数值模拟的残余应力为输出,构建了BP神经网络模型,并利用遗传算法优化BP神经网络模型的预测精度。结果表明：SLM成形Al-Mg-Sc-Zr高强铝合金的残余应力随激光功率的增加而增大,随扫描速度和扫描间距增大而减小。相较于BP神经网络模型,优化的GA-BP神经网络模型的平均绝对误差、均方误差和平均相对误差分别降低了2.62%、14.34%和0.64%。通过搭建遗传算法与GA-BP神经网络的联合双向预测模型,以残余应力最小为目标,确定了Al-Mg-Sc-Zr高强铝合金SLM的最优工艺参数为：激光功率373.17 W、扫描速度919.53 mm/s、扫描间距102.44μm。在最优条件下成形试样的残余应力为201.1 MPa,孔隙率为1.2%,xoz和xoy截面的平均显微硬度分别为103.2HV和120.1HV。本研究可为Al-Mg-Sc-Zr高强铝合金的SLM工艺优化提供一种高效经济的方法。