IN718高温合金因其优异的抗氧化性和抗热腐蚀性、良好的疲劳性能、组织稳定性及安全可靠性等综合性能,广泛应用于航空航天、核工业等领域,是新一代先进航空发动机热端构件不可替代的材料之一。激光粉末床熔融(laser powder bed fusion,L...IN718高温合金因其优异的抗氧化性和抗热腐蚀性、良好的疲劳性能、组织稳定性及安全可靠性等综合性能,广泛应用于航空航天、核工业等领域,是新一代先进航空发动机热端构件不可替代的材料之一。激光粉末床熔融(laser powder bed fusion,LPBF)技术作为近年来发展迅速的新型快速成形技术,突破传统成形技术和结构设计束缚,实现复杂薄壁构件的一步激光近净成形,展现出广阔的应用前景。然而在激光增材制造成形过程中,薄壁表面的激光输入能量较大,易出现翘曲变形和裂纹,严重影响其服役性能。针对以上问题,本工作概述LPBF技术的工作原理及研究动态,系统分析LPBF成形IN718高温合金薄壁的跨尺度微观组织演化特征及析出相演变行为,重点梳理缺陷萌生和扩展机制,从优化结构设计、激光成形工艺参数、合金成分等多方面对缺陷抑制进行归纳,分析探讨IN718高温合金薄壁室温与高温力学性能的强化机制。最后,总结LPBF成形高温合金薄壁存在严苛环境下关键性能不足等问题并展望未来发展方向,其中包括:建立适合高温合金薄壁的激光成形工艺数据库;研究LPBF成形高温合金薄壁凝固缺陷形成及调控新方法;优化高性能高温合金薄壁构件材料化学成分。展开更多
高精度且鲁棒的预测模型建立高度依赖于样本数据的大小、多样性和分布;日益积累的文献数据为获得大量的多样性样本数据提供了可能。以SLM-ed IN 718合金的相对密度(RD)为研究对象,针对从文献中挖掘的激光功率P、扫描速度V、扫描间距HS...高精度且鲁棒的预测模型建立高度依赖于样本数据的大小、多样性和分布;日益积累的文献数据为获得大量的多样性样本数据提供了可能。以SLM-ed IN 718合金的相对密度(RD)为研究对象,针对从文献中挖掘的激光功率P、扫描速度V、扫描间距HS和铺粉厚度LT与RD样本数据存在缺失参数和分布不均问题,采用最大期望化(EM)算法对缺失参数进行补齐;采用带有梯度惩罚的WGAN算法(WGAN-GP)对数据稀疏的低RD区间生成虚拟样本数据。然后,分别基于补齐文献数据和补充虚拟数据,采用常青藤算法优化的随机森林(IVYA-RF)构建了RD预测模型,并对模型预测精度进行了定量评估和实验验证。结果表明:基于补充虚拟数据集构建的IVYA-RF模型II比基于补齐文献数据集构建的IVYA-RF模型I具有更好的预测精度,其原因主要来源于在低RD区间生成虚拟数据后,使建模样本数据的分布均匀性得到改善,这也是数据增强与机器学习相结合的意义所在。对新实验数据的验证取得了满意的预测精度,其中,IVYA-RF模型I验证结果的统计学参数R2(决定系数)、RMSE(均方根误差)、MAE(平均绝对误差)和MRE(平均相对误差)分别达到了0.891、1.352%、0.915%和0.98%;IVYA-RF模型II验证结果的R2增大至0.956,RMSE、MAE和MRE分别减小至0.833%、0.687%和0.71%,同样显示出后者比前者具有更好的预测精度。实验验证结果表明,所构建的RD预测模型具有较好的鲁棒性,从而具备了较好的工程应用价值。展开更多
文摘IN718高温合金因其优异的抗氧化性和抗热腐蚀性、良好的疲劳性能、组织稳定性及安全可靠性等综合性能,广泛应用于航空航天、核工业等领域,是新一代先进航空发动机热端构件不可替代的材料之一。激光粉末床熔融(laser powder bed fusion,LPBF)技术作为近年来发展迅速的新型快速成形技术,突破传统成形技术和结构设计束缚,实现复杂薄壁构件的一步激光近净成形,展现出广阔的应用前景。然而在激光增材制造成形过程中,薄壁表面的激光输入能量较大,易出现翘曲变形和裂纹,严重影响其服役性能。针对以上问题,本工作概述LPBF技术的工作原理及研究动态,系统分析LPBF成形IN718高温合金薄壁的跨尺度微观组织演化特征及析出相演变行为,重点梳理缺陷萌生和扩展机制,从优化结构设计、激光成形工艺参数、合金成分等多方面对缺陷抑制进行归纳,分析探讨IN718高温合金薄壁室温与高温力学性能的强化机制。最后,总结LPBF成形高温合金薄壁存在严苛环境下关键性能不足等问题并展望未来发展方向,其中包括:建立适合高温合金薄壁的激光成形工艺数据库;研究LPBF成形高温合金薄壁凝固缺陷形成及调控新方法;优化高性能高温合金薄壁构件材料化学成分。
文摘高精度且鲁棒的预测模型建立高度依赖于样本数据的大小、多样性和分布;日益积累的文献数据为获得大量的多样性样本数据提供了可能。以SLM-ed IN 718合金的相对密度(RD)为研究对象,针对从文献中挖掘的激光功率P、扫描速度V、扫描间距HS和铺粉厚度LT与RD样本数据存在缺失参数和分布不均问题,采用最大期望化(EM)算法对缺失参数进行补齐;采用带有梯度惩罚的WGAN算法(WGAN-GP)对数据稀疏的低RD区间生成虚拟样本数据。然后,分别基于补齐文献数据和补充虚拟数据,采用常青藤算法优化的随机森林(IVYA-RF)构建了RD预测模型,并对模型预测精度进行了定量评估和实验验证。结果表明:基于补充虚拟数据集构建的IVYA-RF模型II比基于补齐文献数据集构建的IVYA-RF模型I具有更好的预测精度,其原因主要来源于在低RD区间生成虚拟数据后,使建模样本数据的分布均匀性得到改善,这也是数据增强与机器学习相结合的意义所在。对新实验数据的验证取得了满意的预测精度,其中,IVYA-RF模型I验证结果的统计学参数R2(决定系数)、RMSE(均方根误差)、MAE(平均绝对误差)和MRE(平均相对误差)分别达到了0.891、1.352%、0.915%和0.98%;IVYA-RF模型II验证结果的R2增大至0.956,RMSE、MAE和MRE分别减小至0.833%、0.687%和0.71%,同样显示出后者比前者具有更好的预测精度。实验验证结果表明,所构建的RD预测模型具有较好的鲁棒性,从而具备了较好的工程应用价值。
