数据驱动的SLM IN718合金工艺-相对密度数据补齐及预测OA

实现多工艺参数优化设计是增材制造领域面临的难题,数据驱动的性能预测模型是解决该难题的有效方法。日益积累的文献数据为数据驱动建模奠定了数据基础。本工作采用从选区激光熔化(selective laser melting,SLM)IN718合金相关文献中挖掘的工艺参数(激光功率、扫描速率、扫描间距和铺粉厚度)与相对密度数据作为样本数据,运用期望最大化算法补齐文献中缺失的参数数据;基于麻雀搜索算法(sparrow search algorithm,SSA)的广义回归神经网络(generalized regression neural network,GRNN)、基于开普勒优化算法(Kepler optimization algorithm,KOA)的随机森林(random forest,RF)和极限梯度提升(extreme gradient boosting,XGBoost)构建相对密度预测模型。通过决定系数R^(2)、均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)等统计学参数评估表明,3种模型均表现出较高预测精度。其中,KOAXGBoost模型精度最高,其R^(2)、RMSE、MAE和MRE分别达到0.967、0.806、0.437和0.47%;KOA-RF模型次之,其R^(2)、RMSE、MAE和MRE分别为0.938、1.102、0.466和0.52%;SSA-GRNN模型相对较差,其R^(2)、RMSE、MAE和MRE分别为0.899、1.399、0.588和0.63%。3种模型对新实验数据的验证取得较满意的预测结果,且预测精度高低顺序为KOA-XGBoost>KOA-RF>SSA-GRNN,这意味着建立的模型具有较好的鲁棒性和泛化能力。