定向能量沉積 (Directed Energy Deposition, DED) 作為一種先進的增材製造技術，正迅速改變著金屬零件的生產方式。然而，DED 過程複雜，涉及多個參數，精確預測其能量消耗一直是個挑戰。近期，一項研究利用轉移學習 (Transfer Learning) 技術，成功提高了 DED 能量使用預測的準確性，為材料製造領域帶來了效率革命的曙光。
DED 技術的挑戰與機遇
DED 技術通過將金屬粉末或線材熔化並沉積，逐層構建三維物體。相較於傳統製造方法，DED 具有更高的材料利用率、更快的生產速度和更大的設計自由度。然而，DED 過程受到雷射功率、掃描速度、粉末進給速率等多個參數的影響，這些參數的微小變化都可能導致最終產品的質量差異。
精確控制 DED 過程的關鍵在於準確預測其能量消耗。過高的能量輸入可能導致材料過熱、變形，甚至產生裂紋；而能量輸入不足則可能導致材料熔化不完全，影響零件的強度和耐久性。因此，開發一種能夠準確預測 DED 能量消耗的模型，對於優化製造過程、提高產品品質至關重要。
轉移學習的突破
傳統的機器學習模型通常需要大量的訓練數據才能達到較高的預測精度。然而，在 DED 領域，收集足夠的實驗數據往往耗時耗力。為了解決這個問題，研究人員開始探索轉移學習技術。
轉移學習的核心思想是利用已有的知識來解決新的問題。具體到 DED 領域，研究人員可以利用已有的、在其他材料或工藝條件下收集的數據，來訓練一個初始模型。然後，再利用少量的、針對特定材料和工藝條件收集的數據，對初始模型進行微調，使其適應新的預測任務。
一項最新的研究表明，基於轉移學習的 DED 能量消耗預測模型，相較於傳統的機器學習模型，在預測精度上有了顯著的提升。研究人員使用了一種基於深度學習的轉移學習方法，首先利用大量的模擬數據訓練了一個初始模型，然後利用少量的實驗數據對模型進行微調。結果顯示，該模型的預測誤差降低了 15% 以上。
數據驅動的材料製造未來
轉移學習在 DED 能量消耗預測中的成功應用，為數據驅動的材料製造開闢了新的道路。通過整合來自不同來源的數據，並利用先進的機器學習技術，我們可以更有效地優化製造過程、提高產品品質，並降低生產成本。
此外，轉移學習還可以加速新材料和新工藝的開發。通過利用已有的知識，我們可以更快地找到最佳的製造參數，縮短研發週期，並加速新產品的上市。
總結與研判
轉移學習在 DED 能量消耗預測中的應用，不僅提高了預測精度，也為材料製造領域帶來了更廣闊的發展前景。隨著數據量的增加和機器學習技術的進步，我們有理由相信，數據驅動的材料製造將成為未來製造業的重要發展方向。然而，要實現這一目標，還需要解決一些挑戰，例如數據的標準化、模型的可靠性驗證以及算法的可解釋性等。 儘管如此，轉移學習的成功應用已經證明了其在材料製造領域的巨大潛力，並預示著一個更加高效、智能和可持續的製造業的未來。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: February 25, 2026