Data-Driven Scanning Pattern Selection for Multi-Layer Deposition in Laser Directed Energy Deposition via Deep Regression Method with Simulation Integration

Resumen Técnico: Selección de Patrones de Escaneo Basada en Datos para la Deposición Multicapa en la Deposición de Energía Dirigida por Láser mediante un Método de Regresión Profunda con Integración de Simulación

Planteamiento del Problema
En la Deposición de Energía Dirigida por Láser (LDED), la acumulación de calor durante el proceso de deposición multicapa afecta significativamente el campo térmico, lo que conduce a características microestructurales indeseables como granos gruesos, segregación de elementos y formación de fases frágiles. Mientras que los parámetros del proceso como la potencia del láser y la velocidad influyen en la conducción de calor, la estrategia de escaneo es un factor crítico que a menudo está limitado por las restricciones del equipo cuando se ajusta directamente. La Deposición por Láser Continua (CLD) implica una entrada de energía continua, lo que reduce las tasas de enfriamiento, ralentiza la solidificación y promueve el crecimiento de grandes dendritas y la segregación de elementos de aleación. Los métodos existentes para optimizar los patrones de deposición, como el ensayo y error experimental o los enfoques heurísticos, son ineficientes y tienen dificultades para predecir rápidamente los campos térmicos en escenarios complejos de múltiples capas.

Metodología
Este estudio propone un enfoque basado en datos para optimizar los patrones de escaneo integrando el proceso de Onda Continua Cuasi-Pulsada (QCW) con un algoritmo de regresión profunda, denominado proceso de Deposición de Láser de Pulso Interválico (IPLD). La metodología consta de tres etapas principales:

1. Simulación de Elementos Finitos y Construcción de Conjunto de Datos: Se estableció un modelo de elementos finitos multicapa para simular el campo térmico de una estructura de pared delgada de 20 capas. Para asegurar la generalización, el modelo de simulación utilizó patrones de posición aleatorios consistentes en tres capas iniciales de deposición de trayectoria única con 33 posiciones de deposición por capa, generando un total de 1,000 resultados de simulación. El modelo asumió una estructura de pared delgada donde los cambios de forma durante la deposición no alteraban significativamente las variaciones térmicas, centrándose en cambio en la influencia térmica de las capas adyacentes.
2. Desarrollo del Modelo de Regresión Profunda: Se desarrolló un modelo de regresión profunda basado en un Autoencoder Convolucional 3D con Conexiones de Salto (SC-3DCAE). Esta arquitectura, inspirada en U-net, utiliza conexiones de salto y convoluciones 3D para extraer características de las variaciones de la distribución de calor causadas por diferentes patrones de deposición. El modelo fue entrenado con el conjunto de datos del campo térmico simulado (división de entrenamiento-prueba de 3:1) para predecir campos térmicos para patrones arbitrarios. El modelo logró un error cuadrático medio normalizado (nMSE) inferior a 0.01 y una precisión del 97.55% después de 3,000 épocas.
3. Optimización y Validación de Patrones: El modelo entrenado se empleó para cribar rápidamente patrones de deposición aleatorios para identificar aquellos que maximizan la tasa de enfriamiento. Se utilizó un método de selección paso a paso: se identificó el patrón óptimo para las primeras tres capas, y las últimas dos capas sirvieron como la entrada inicial para la siguiente iteración, continuando hasta que las 20 capas fueron definidas. Se implementó una estrategia de traslape de "colocación de ladrillos" con una relación escalonada del 50% para prevenir huecos y asegurar la fusión de las capas. El proceso IPLD optimizado fue validado experimentalmente mediante la deposición de la aleación DD5 sobre un sustrato de Inconel 718, comparando los resultados con la CLD convencional.

Contribuciones Clave

• Integración de QCW y Aprendizaje Profundo: El estudio introduce un nuevo método de selección de patrones de escaneo que combina las zonas de deposición discretas del proceso QCW con un algoritmo de regresión profunda (SC-3DCAE) para superar las limitaciones de la entrada de energía continua.
• Predicción Rápida del Campo Térmico: El modelo SC-3DCAE desarrollado permite la predicción a nivel de milisegundos de los campos térmicos para patrones de deposición multicapa arbitrarios, evitando la necesidad de simulaciones de elementos finitos computacionalmente costosas para cada patrón candidato.
• Análisis Microestructural Sistemático: La investigación proporciona una comparación exhaustiva entre los procesos IPLD y CLD, analizando la orientación de grano, el espaciamiento dendrítico, el tamaño de los precipitados y la segregación de elementos a través de técnicas de Difracción de Electrones Retrodispersados (EBSD), Microscopía Electrónica de Barrido (SEM) y Microanalizador de Sondas Electrónicas (EPMA).

Resultados
Los resultados experimentales y de simulación demuestran que el proceso IPLD supera significativamente al proceso CLD en el control de la acumulación de calor y la microestructura:

• Características Térmicas y Microestructurales: La tasa de enfriamiento del proceso CLD disminuye de aproximadamente 3,500 K/s a 1,500 K/s en la región inferior y cae a 250 K/s en la región media estable. En contraste, el proceso IPLD mantiene tasas de enfriamiento significativamente más altas, que van desde 3,500 K/s a 7,000 K/s en la región inferior y de 1,100 K/s a 2,000 K/s en la región media. En consecuencia, las muestras de IPLD exhibieron granos columnares más finos con una orientación <001> más fuerte y anchos de grano menores en comparación con las muestras de CLD, donde la acumulación de calor provocó un engrosamiento de grano significativo.
• Refinamiento de Dendritas y Precipitados: El proceso IPLD resultó en un espaciamiento dendrítico primario más pequeño y brazos dendríticos secundarios menos desarrollados. La proporción de carburos de gran tamaño (>0.8 μm) en las muestras de IPLD fue de solo un 2%, frente al 11.2% en las muestras de CLD.
• Propiedades Mecánicas: Las pruebas de tracción revelaron que, si bien las resistencias máximas a la tracción fueron comparables (896 MPa para IPLD frente a 8

91 MPa para CLD), la elongación de la muestra de IPLD fue significativamente mayor, con un 34.7% frente al 29.9% de la CLD. El análisis de fractura mostró que las muestras de IPLD poseían hoyos de fractura más pequeños y menos poros, lo que indica una distribución de esfuerzo más uniforme y una mejor ductilidad.

• Segregación de Elementos: La simulación utilizando el modelo de solidificación de Scheil confirmó que la mayor tasa de solidificación de IPLD redujo la segregación de elementos como Nb, Ti y Ta en las regiones interdendríticas, lo que condujo a precipitados de carburo más pequeños y numerosos en lugar de otros grandes y perjudiciales.

Significancia
El artículo afirma que el proceso IPLD propuesto, impulsado por la optimización de patrones de escaneo de datos, ofrece una dirección de investigación viable para mejorar la calidad de la deposición de piezas de gran tamaño en LDED. Al regular el patrón de escaneo en lugar de depender únicamente de los parámetros del proceso, el método logra altas tasas de enfriamiento y baja acumulación de calor, controlando eficazmente el tamaño de grano, la orientación y la distribución de precipitados. El estudio sugiere que este enfoque es particularmente valioso para la deposición de superaleaciones monocristalinas o policristalinas donde la gestión térmica es crítica para prevenir defectos y asegurar la integridad mecánica. La integración de la regresión profunda con la simulación proporciona un marco escalable para la optimización rápida de patrones, abordando los cuellos de botella computacionales asociados con el modelado térmico tradicional de múltiples capas.