Predição de propriedades mecânicas em fabricação aditiva de metais com aprendizado de máquina

A predição de propriedades mecânicas na fabricação aditiva de metais (MAM) é essencial para garantir o desempenho e a confiabilidade das peças impressas, bem como sua adequação para aplicações específicas. No entanto, realizar experimentos para estimar propriedades mecânicas em processos de MAM pode ser trabalhoso e caro, e muitas vezes está limitado a materiais e processos específicos. Métodos de aprendizado de máquina (ML) oferecem uma abordagem mais flexível e econômica para prever propriedades mecânicas com base em parâmetros de processamento e propriedades do material. Neste estudo, apresentamos uma estrutura abrangente para a avaliação de modelos de ML para prever propriedades mecânicas. Compilamos um extenso conjunto de dados experimentais de mais de 90 artigos de MAM e fichas técnicas de uma variedade de fontes, abrangendo 140 fichas de dados diferentes de MAM. Este conjunto de dados inclui informações sobre condições de processamento de MAM, máquinas, materiais e propriedades mecânicas resultantes, como limite de escoamento, resistência à tração máxima, módulo de elasticidade, alongamento, dureza e rugosidade da superfície. Nossa estrutura incorpora uma extração de características sob a ótica da física específica para MAM, modelos de ML ajustáveis e métricas de avaliação personalizadas para construir uma estrutura de aprendizado abrangente para a predição de propriedades mecânicas. Além disso, exploramos o método de IA Explicável, especificamente a análise SHAP, para elucidar e interpretar os valores previstos dos modelos de ML para propriedades mecânicas. Além disso, modelos explícitos baseados em dados foram desenvolvidos para estimar propriedades mecânicas com base em parâmetros de processamento e propriedades do material, oferecendo uma interpretabilidade aprimorada em comparação aos modelos de ML convencionais.