• Ein neuartiger Multi-Source-Datensatz, der experimentelle Daten, Literaturdaten sowie synthetische Daten aus Stratified Bootstrap kombiniert mit Gaussian Copula Noise integriert, wurde entwickelt, um die Datenknappheit bei der Modellierung der Härte von SLM-Ti-6Al-4V zu überwinden. • Im Gegensatz zu früheren Studien, die sich auf Zugeigenschaften oder den As-built-Zustand konzentrierten, modelliert diese Arbeit systematisch die Zusammenhänge zwischen Wärmebehandlung nach SLM und der Härte. • Das vorgeschlagene Ensemble-Framework erreichte eine hohe Vorhersagegenauigkeit (R² ≈ 0,92; MAE ≈ 7,8 HV), was eine signifikante Verbesserung der Generalisierung über verschiedene Wärmebehandlungsbedingungen hinweg darstellt. • Erklärbares ML (SHAP) bestätigte quantitativ die Wärmebehandlungstemperatur und -zeit als dominierende Einflussfaktoren, wodurch die Modellvorhersagen mit metallurgischen Phasenumwandlungsmechanismen in Einklang gebracht werden. • Das Framework ermöglicht eine datengesteuerte Optimierung des Post-SLM-Wärmebehandlungsdesigns und reduziert die Abhängigkeit von kostspieligen Trial-and-Error-Experimenten im industriellen Umfeld. Die Optimierung der Wärmebehandlung nach der Verarbeitung für selektiv lasergeschmolzenes Ti-6Al-4V bleibt aufgrund der starken nichtlinearen Kopplung zwischen thermischer Historie, Mikrostruktur und Härte eine Herausforderung. Bestehende Vorhersagemodelle sind typischerweise durch kleine Datensätze und eine geringe Prozessabdeckung begrenzt, insbesondere für die Härte nach der Wärmebehandlung. In dieser Studie wurde ein Machine-Learning-Framework entwickelt, um die Vickers-Härte von wärmebehandeltem SLM-Ti-6Al-4V anhand eines kuratierten Multi-Source-Datensatzes vorherzusagen, der experimentelle Messungen (19 Proben), aus der Literatur stammende Daten (42) und 200 synthetisch mittels Stratified Bootstrap kombiniert mit Gaussian Copula Noise generierte Proben integriert. Fünfzehn Regressionsmodelle wurden mittels Kreuzvalidierung systematisch gebenchmarkt. Unter diesen erzielte der Voting Regressor die höchste Vorhersagegenauigkeit (R² ≈ 0,92, MAE ≈ 7,8 HV) und zeigte eine robuste Generalisierung über verschiedene Wärmebehandlungsbedingungen hinweg. Eine Analyse mittels erklärbarer künstlicher Intelligenz ergab, dass mikrostrukturelle Merkmale und Wärmebehandlungsparameter die dominierenden Einflussfaktoren der Härte sind, in Übereinstimmung mit den Phasenumwandlungsmechanismen, die den Zerfall von α′ und die Stabilisierung von α+β steuern. Das vorgeschlagene Framework bietet ein quantitatives und interpretierbares Werkzeug für das rationelle Wärmebehandlungsdesign von SLM-Ti-6Al-4V, wodurch die Abhängigkeit von empirischen Trial-and-Error-Ansätzen verringert und eine datengesteuerte Prozessoptimierung ermöglicht wird.
Khanlari et al. (Wed,) untersuchten diese Frage.