最新消息
最新消息| 激光粉末床聚變:技術、材料、性能和缺陷以及數值模擬的最新綜述(5) | 2022-10-24 |
| 文章来源：由「百度新聞」平台非商業用途取用"https://new.qq.com/omn/20220902/20220902A073UO00.html" 長三角G60激光聯盟導讀這篇綜述主要解釋了LPBF工藝的基本原理、幾個相互關聯參數的科學和技術進展、原料材料、生產性能缺陷，以及數值模擬的見解，以虛擬地理解工藝行為。本文為第五部分。6.2.孔隙度由于LPBF采用金屬粉末的完全熔化，因此會產生不穩定的熔池。此外，如果沒有選擇適當的參數，可能會產生許多缺陷，如孔隙度。LPBF工藝中形成的孔隙有三種類型：熔合孔、氣孔和收縮孔。在激光能量密度不足的地方形成熔合孔。這一不足導致熱滲透性差，并且已經熔化和凝固的層的頂層不能再熔化。這導致與新層的結合不良。因此，基本上，軌道重疊和淺穿透是其主要原因。低激光能量密度、低功率、高速度、大掃描空間和大層厚度驅動該缺陷。這些孔隙主要受工藝參數控制，并受沿層邊界的部分或不完全熔化的影響。這些孔隙主要集中在以部分熔融為主的區域。相反，在夾層之間具有良好相干結合的區域中，該孔隙率顯著最小化。熔合孔也是粉末之間捕獲的氣體的結果。當這些氣體逸出時，它們形成危險的掃描路徑。隨著過程的繼續，隨著空腔的形成，流體力與蒸汽壓力平衡，導致液相坍塌并產生孔隙。如果一個層出現嚴重的球化缺陷，則有很大的可能產生連鎖反應，即在下一層中出現氣孔和球化。這導致零件性能差和密度低。如果有足夠的具有良好流動性的熔融金屬，并且如果熔池的壽命更長且凝固速度較慢，則可以填充孔隙，并減少孔隙率。在氫的情況下，吸水率非常高，并且氫在鋁液和固體中的溶解度水平不同。因此，為了檢查氫孔隙率，在將鋁粉用于應用之前，應充分干燥鋁粉。粉末床的預熱也有幫助，因為熔池中的氫溶解會導致嚴重的孔隙率。LPBFedTi6-Al-4V頂層的孔隙如圖36所示。圖36（a）LPBFedTi6-Al-4V頂層的孔隙，（b）開放孔隙的放大圖像和（c）洞穴孔隙的放大圖。6.3.表面粗糙度對于通過LPBF工藝生產的零件，表面光潔度問題一直備受關注。這也是AM過程中的一個大缺點。在各種AM工藝中，DED在表面光潔度方面表現最好，其次是LPBF，然后是EBM。據指出，造成表面粗糙度的主要原因是由于大氣氣體的存在和部分熔融粉末在零件表面的粘附而導致的氧化。與LPBF工藝一樣，未使用的粉末從不離開工藝區域或始終留在粉末床本身中。這些顆粒仍有可能粘附到零件表面。由粘附在表面上的顆粒引起的粗糙度的平均大小幾乎與粉末的直徑相同。由于熔池流動內部的表面張力梯度，在熔池中形成的小球被吸引到熔池的外周。然后邊緣凝固，導致表面粗糙。因此，可以通過提供高能量密度、低速度下的高激光功率、低層厚度和不適當的圖案填充間距來減少表面粗糙度。此外，大尺寸顆粒難以完全熔化，因此，生產的最終零件表面光潔度較低。在500cms的橫向速度下，DLD期間熔池的溫度等值線（a）-（b）：在XY（構建）平面中的形狀相似，（c）-（d）：顯示不同熔池深度的相應XZ（剖面）平面圖。6.4.裂紋和殘余應力在LPBF過程中可以識別出兩種主要的裂紋。這些是冷裂紋和熱裂紋。熱裂紋也稱為凝固裂紋，通常產生凝固過程的最后階段。熱裂紋主要是由于凝固過程中零件的固體結構變形而形成的。此外，液體區域中的對流不足可能會產生熱裂紋。結構應力是由于相變期間部分發生的體積膨脹而產生的。當零件內部的殘余應力大于屈服應力時，零件發生變形或產生裂紋以釋放應力。LPBF部分的開裂分為兩部分：液化開裂和凝固開裂。沉積的層由于凝固收縮和熱條件引起的循環而經歷收縮。但是基底襯底的溫度或先前固化的層遠低于新熔化的層。因此，新層的收縮比先前鋪設的層大得多，并且該差異也傾向于阻礙該新層的壓縮。這導致在凝固和開裂期間在新熔化層中形成應力。這是凝固開裂。液化開裂發生在部分熔化粉末的區域。在這些區域，快速加熱導致某些晶粒熔化，特別是低熔點碳化物。當零件冷卻時，產生拉力；在這些力作用下，熔化的碳化物充當裂紋萌生的位置。（a–b）分別為3D印刷Zr基BMG的SEM-BSE顯微照片的側視圖和俯視圖，（b）中的插圖顯示了孔隙的分布；（c–d）腐蝕后的3D印刷鋯基BMG的側視圖和俯視圖，插圖顯示了熔池和熱影響區。6.5.合金元素的損失揮發性金屬，主要是Mg、Zn、Al等，由于溫度非常高，極易從熔池蒸發。當激光與金屬接觸時，這些元素的高蒸氣壓和低沸點導致其蒸發。熔池的溫度遠高于元素的沸點。這些元素的蒸發改變了所生產零件的組成，并改變了機械性能。改變的性能主要是微觀結構的強度、耐腐蝕性、蠕變和伸長率。大部分蒸發是由于熔池過熱而發生的。因此，在這種情況下，激光能量密度是一個重要因素。蒸發導致熔池的不穩定性和沉積層組成的變化。蒸發也在熔池內形成反沖壓力。這種壓力推開熔融區的液體，并導致一種稱為“鎖孔效應”的缺陷。蒸發還導致最終零件的密度降低，因為它增加了孔隙率。已經進行了不同的實驗來觀察某些元素的蒸發。在LPBF下處理TiAl樣品，觀察到顯著的鋁損失。Cu-4Sn的LPBFed部分由于蒸發而損失錫。這種蒸發會影響性能并增加熔體軌跡的不穩定性。但是可以控制蒸發和損失。通過監測熔池溫度和激光能量密度，可以將其最小化。但是，由于低能量密度將減少元素的損失，它還將觸發零件的不均勻性，并可能導致屬性偏離所需的屬性集。6.6.氧化物夾雜物氧化物的夾雜是不可避免的缺陷之一，它也會降低所生產零件的性能。如果在前一層上存在氧化物層，它可以與新沉積的層結合。由于鍵合受到氧化物層的影響，它們也有助于球化。坎貝爾指出，合金元素有助于在一次加工期間將氧化物引入熔池。已經觀察到，向任何鋁合金中添加某些元素，如Si或Mg，會改變形成的氧化物的性質。許多研究人員正在尋找對抗鋁合金氧化的解決方案，因為鋁對氧具有很大的親和力，即使在低氧濃度下也會形成氧化物。（a–b）分別從側視圖和俯視圖對熔池周圍的熱應力場進行有限元模擬；（c）應力集中發生在熔池附近的孔隙中。6.7.AM部件的鑒定評估疲勞加載零件的“適用性”是一項基本挑戰，它與制造過程中產生的微觀結構和缺陷直接相關。微計算機斷層掃描是探測地表附近或薄而復雜幾何結構中的斷層的最有效技術之一。已經討論了在組件評估背景下使用極值統計分析X射線CT掃描測量的優點和限制。本研究使用延時同步輻射X射線顯微計算機斷層掃描（SR-CT）跟蹤LPBF制造的AlSi10Mg試樣在250°C原位拉伸-拉伸循環載荷下（180-38000次循環）的整個疲勞壽命內的損傷累積。在聯合循環疲勞環境下，Patriarca等人提供了一種確定設計應力和允許故障的概率方法。這些數據用于確定材料參數的平均值和變化，然后將其用于蒙特卡洛模擬，并基于目標失效可能性確定設計應力。本研究側重于確定安全裕度，該安全裕量僅取決于影響機械部件損傷累積的元件的固有可變性。7.數值建模、優化和機器學習技術7.1.傳熱分析的控制方程Shiva等人闡述了傳熱分析；一般而言，熱輸入在高斯分布下進行，并且還考慮了由于對流和輻射引起的損失。瞬態熱分析必須確定基底上和粉末床上沉積材料的每個特定點的溫度歷史。7.2.LPBF過程的數值模擬AM帶來了從設計開始到部件投入使用以及創新領域的工作方式的變化。AM通過降低成本和制造復雜部件，使許多行業發生了革命性的變化。在設計步驟中，設計師將獲得市場上最新的軟件。該軟件可以預測使用特定參數構建的零件的特性和性能。它有助于減少成本和時間。但這種技術需要對任何零件的物理印刷過程中發生的所有物理現象有詳細的了解。主要障礙是理解參數與輸出特性之間的關系，輸出特性因材料而異。LPBF采用逐層方法構建零件，并在其中熔化粉末以形成3D零件。現在可以肯定地說，這樣復雜的過程永遠不會完全沒有缺陷。制造商面臨的挑戰是制造缺陷最小的產品，包括優化工藝參數。研究人員正在開發優化工藝參數的新方法，如數值模擬。通過實際制造十幾個零件并逐步改進來優化工藝參數的迭代需要大量的時間和資源。數值建模的主要優點是不需要任何物理產品制造來研究。因此，節省了時間、原材料和成本。基本模型之一是熱機械模型，其中考慮了所有熱歷史和殘余應力。眾所周知，基于實驗的優化是必要的，但數值建模為研究人員通過任何復雜工藝制造零件提供了一個穩定的開端。他們在早期階段就洞察了該過程，現在可以優化該過程以獲得最佳結果。正如許多研究人員所研究的，LPBF過程中的熱輸入是影響輸出產品特性的主要參數之一。然而，根據參數和目標，在不同的研究中注意到了一些變化。Tan等人在LPBF中使用了激光束，假設其高斯分布不對稱。此外，對移動點高斯激光掃描進行建模，以了解經歷LPBF的固體模型中的溫度分布。在其他許多研究工作中，激光源按照高斯分布建模。在LPBF中，激光能量通過稱為激光光斑的特定區域傳輸，并進行建模以復制激光中心和外圍的熱強度。Luo等人指出，對LPBF進行的大部分建模工作使用移動高斯熱源來建模熔池輪廓，很明顯，這種模型需要大量時間和計算成本，不能用于較低的水平。為了減少計算時間和成本，提出了一種線熱源，通過增加時間步長和減少單元數量來加速LPBF過程中的傳熱模擬。線熱源代替移動的激光源。仿真結果表明，替換對開發沒有任何更顯著的影響，但可以大大減少計算時間。(a)3、(b)4和(c)5區域中部370?W、1300?mms的溫度分布。已經進行了大量研究，通過建模和仿真優化LPBF工藝。但由于過程的高度復雜性，在結果中總是存在一些差距。許多研究人員現在正在嘗試不同的模擬方法，以盡可能提高精度。LPBF的主要障礙之一是理解加工參數與最終零件性能之間的關系。因此，研究人員開發了過程模擬作為優化過程參數的迭代。控制方程是任何模擬工作的數學背景。不同的目標可能需要使用不同的模型。模型必須考慮過程對溫度的依賴性。由于實際世界中的相似性，熱機械和熱流體模型在研究人員中很受歡迎。熱源建模也非常重要。注意，激光的最大能量強度集中在激光的中心，并沿激光光斑的周邊逐漸減小。因此，高斯分布模擬了中心具有最大強度的熱源。大多數模型的解是使用有限元法提取的。許多研究人員選擇有限元法作為求解熱方程的主要方法。但任何模擬僅基于計算數字給出結果；因此，有必要用實驗結果驗證模擬結果。7.3.預測LPBF工藝特性的機器學習方法由于其能夠制造復雜的幾何零件，LPBF是最普遍的金屬增材制造工藝。它背后有大量的學術研究和工業投資。盡管使用有限元分析對LPBF進行了廣泛的數值模擬，但仍然需要進行過程監控，以確保可靠的零件制造并減少制造后質量評估。為了使LPBF過程高效，需要基于人工智能的機器學習和深度學習技術。圖37顯示了實現基于機器學習的預測模型的方法。圖37順序決策分析神經網絡（SeDANN）示意圖。上面所示的傳感器數據和高度圖屬于以0.33的線性能量密度（EL）沉積的單個軌跡，即成球狀態。從高溫計中提取的統計概率分布特征用于第一級人工神經網絡（ANN）中，以預測激光工藝參數（P和V），然后是從高速攝像機中提取的熔池特征，以預測更高層的平均寬度和標準偏差以及單道連續性。本文研究了將ML納入LPBF工藝鏈的多個階段，從而提高質量控制的問題。ML可用于L-PBF之前的零件設計和文件準備。然后，機器學習技術可用于優化工藝參數并實時監控。最后，機器學習可以包括在后處理中。Okaro等人提出應用ML系統自動預測AM產品中的缺陷缺陷。使用了半監督學習方法，該方法可以使用來自兩個構建的數據，其中生成的組件被認證，并且在訓練期間生成的組件的質量不確定。這使得該方法具有成本效益，尤其是當零件認證昂貴且耗時時。Ogoke等人提出了深度強化學習，用于預測LPBF工藝的熱特性和最小化缺陷的可能性，如圖38所示。在熔化過程中，開發的控制算法改變激光器的速度或功率，以確保熔池的一致性，并最小化成型產品的過熱。通過精確模擬不同激光路徑下粉末床層的連續溫度分布，對控制算法進行了訓練和驗證。圖38深度強化學習框架。（a）在強化學習中，代理基于當前狀態s和將每個狀態映射到動作的策略π來選擇動作。（b）對于模擬的前三個時間步，該狀態由激光器位置附近的x-y、y-z和x-z平面中的域橫截面表示。（c）策略網絡是一個完全連接的神經網絡，它接收狀態的當前表示，并預測一個行動以最大化預期回報。策略網絡被實現為兩層多層感知器，具有雙曲正切激活函數和每個隱藏層64個神經元。Baumgartl等人提出了基于神經網絡深度學習的模型和熱成像離軸成像的集成模型組合，作為預測印刷缺陷和工藝監控（如熔池或離軸紅外監控）的數據源。所提出的方法在預測分層和飛濺方面的準確率為96.80%。此外，該模型非常小，計算成本低，即使在功能較弱的硬件上也適合實時操作。大多數缺陷，如鍵孔、氣孔和成球，都發生在熔池本身的尺寸和時間尺度上。對此類缺陷的監控至關重要。Scime和Beuth提出了一種深度學習方法，該方法提出了現場檢測此類重要缺陷的可能性。使用固定視場的高速可見光相機研究了Inconel718材料系統中LPBF熔池的形態。Sanchez等人利用ML的潛力建立了工藝、結構和性能之間的關系，以預測LPBF工藝生產的78個合金基零件的蠕變率。使用包括LPBF工藝參數和從圖像分析技術獲得的材料幾何特征（孔隙率圖像）的輸入數據來訓練ML算法。該模型顯著且準確地預測了LPBF的最小蠕變率，高達98.60%。Zhang等人開發了一種混合機器學習模型，用于預測LPBF工藝的可制造性評估。在設計方面，使用基于體素的卷積神經網絡（CNN）模型，在工藝方面，使用神經網絡（NN）模型。然后，將這兩個模型集成在一起，以預測所選LPBF工藝參數下的體系結構的可制造性。較大的“pancake”缺陷的等效橢球模型:(a)橢球模型的坐標系為:z，對應試樣的軸向加載方向;A、b、c分別為橢球的三個主半軸(代表缺陷);橢球c軸相對于試件加載方向的角θ;(b)缺陷在不同取向角下的空間構型。Peng等人使用ML的能力來預測LPBF處理的AlSi10Mg合金的疲勞壽命。發現極端梯度增強模型能夠準確預測疲勞壽命。這些變量在限制疲勞壽命中的重要性按上述順序進行評級。該模型預測了不同的樣品壽命，這意味著微觀結構起到了適度的作用。當平行于施工方向進行測試時，發現斷裂面上的缺陷的巨大投影面積是觀察到的壽命縮短的主要原因。更通用的雙變量村上模型充分預測了疲勞壽命，而ML模型驗證了經驗相關性的經驗模型更接近預期。Zhang等人使用基于神經模糊的機器學習方法預測LPBF處理的316L不銹鋼的高周疲勞壽命。創建了一個訓練數據集，其中包含經受不同處理條件、后處理和循環載荷的樣本的疲勞壽命數據，以模擬復雜的非線性輸入-輸出環境。Bao等人利用ML技術的潛力來確定缺陷位置、尺寸和形態對LPBF處理部件疲勞性能的影響。使用特征化技術識別導致高周疲勞失效的關鍵和重要缺陷，并使用支持向量機（SVM）作為訓練的輸入數據。選擇具有測試數據的網格搜索策略來擬合模型參數，以加快優化過程。Moon等人建立了Ti-6Al-4V合金基試樣疲勞性能的表面粗糙度和孔隙特征之間的關系。這些數據進一步用于訓練用于預測部件疲勞壽命的機器學習模型。Hassanin等人提出了一種深度學習神經網絡（DLNN）模型，用于合理化和預測LPBF處理的Ti-6Al-2Sn-4Zr-6Mo合金的致密化和硬度。開發了工藝參數和輸出特性之間的關系，并將其用作訓練DLNN模型的輸入數據。創建的模型經過驗證并用于創建流程圖。訓練的深度學習神經網絡模型具有最高的精度，孔隙度和硬度的平均百分比誤差分別為3%和0.2%。根據研究結果，深度學習神經網絡被發現是從微小數據集預測材料質量的有效技術。所有缺陷沿V-HCF和H-HCF試樣的加載方向投射到平面上，其中偽色編碼僅用于提高清晰度。8.總結增材制造是工業和學術領域中普遍存在的話題。本綜述涉及對LPBF工藝的理解和最近的升級。LPBF已成為一種適用于多種金屬及其合金的通用方法，因此受到了廣泛關注。對LPBF過程進行了全面審查，并出現了一些關鍵點，這些關鍵點非常重要。還討論了各種工藝參數的重要性，以最小化最終產品中的缺陷。?對于任何材料上的LPBF工藝應用，為了在LPBFed零件上實現盡可能高的密度和所需的機械性能，最重要的是精確監控工藝參數。?金屬合金暴露于LPBF工藝已經解決了與傳統制造工藝相關的許多問題。LPBFed樣品所繼承的特性表明，LPBF可以生產出性能優于常規方法生產的樣品。?金屬的致密化行為主要受激光能量密度變化的影響，激光能量密度的變化由若干其他工藝參數控制和改變。致密化可以直接與由于工藝參數的變化引起的激光能量密度的變化相關。?在LPBF中，粉末粒度和分布的影響被認為不太重要，因為所有顆粒都經歷完全熔化。與發生部分熔化的SLS不同，粉末參數對零件致密化的貢獻可以忽略不計。?通過選擇性激光熔化加工的零件的微觀結構特征受到其熱歷史的強烈影響，包括加熱和冷卻速率的變化、溫度梯度、溫度升高等。生產后處理方法對于細化微觀結構非常重要，標準工藝包括退火和熱機械加工。?熱歷史，主要是凝固速率、冷卻速率和熱梯度，也決定了LPBFed零件的機械性能。大多數機械性能歸因于晶粒微觀結構的細化，因此取決于熱歷史。?由于完全熔化是LPBF的一個重要特征，該工藝極易發生熔池不穩定。如果工藝參數選擇不當，這也可能導致微觀結構缺陷。所有缺陷都會對零件的性能產生不利影響。此外，較大的粉末顆粒難以熔化。因此，當使用較粗和較大的粉末進行LPBF時，觀察到表面光潔度較差。?決定缺陷的一個關鍵因素是與層數增加相關的“階梯”效應：缺陷，特別是表面粗糙度，隨著層厚度的增加而增加。因此，我們的想法是平衡表面粗糙度和產品成型時間之間的平衡。?基于人工智能的機器學習和深度學習技術用于過程監控、預測產品質量和優化過程控制。來源：LaserPowderBedFusion:AState-of-the-ArtReviewoftheTechnology,Materials,PropertiesDefects,andNumericalModelling,JournalofMaterialsResearchandTechnology,doi.org10.1016j.jmrt.2022.07.121來源：Beese,A.Wilson-Heid,A.De,W.Zhang,Additivemanufacturingofmetalliccomponents–Process,structureandproperties,ProgressinMaterialsScience,92(2018),pp.112-224,10.1016j.pmatsci.2017.10.001 關鍵字標籤：NACHI軸承經銷商 |
|
 |
|
