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

Sintesi Tecnica: Selezione del Pattern di Scansione basata sui Dati per la Deposizione Multi-strato in LMD tramite Metodo di Regressione Profonda con Integrazione della Simulazione

Problematica
Nella deposizione laser a energia diretta (LDED), l'accumulo di calore durante il processo di deposizione multi-strato influenza significativamente il campo termico, portando a caratteristiche microstrutturali indesiderate come grani grossolani, segregazione elementare e formazione di fasi fragili. Mentre i parametri di processo come la potenza del laser e la velocità influenzano la conduzione del calore, la strategia di scansione è un fattore critico spesso limitato dalle restrizioni dell'attrezzatura quando viene regolata direttamente. La deposizione laser continua (CLD) comporta un apporto di energia continuo, il che riduce i tassi di raffreddamento, rallenta la solidificazione e promuove la crescita di grandi dendriti e la segregazione degli elementi di lega. I metodi esistenti per l'ottimizzazione dei pattern di deposizione, come l'approccio sperimentale per tentativi ed errori o quelli euristici, sono inefficienti e faticano a prevedere rapidamente i campi termici per scenari multi-strato complessi.

Metodologia
Questo studio propone un approccio basato sui dati per ottimizzare i pattern di scansione integrando il processo a onda quasi continua (QCW) con un algoritmo di regressione profonda, denominato processo di deposizione laser a impulsi intervallati (IPLD). La metodologia si compone di tre fasi primarie:

1. Simulazione a Elementi Finiti e Costruzione del Dataset: È stato stabilito un modello a elementi finiti multi-strato per simulare il campo termico di una struttura a parete sottile di 20 strati. Per garantire la generalizzazione, il modello di simulazione ha utilizzato pattern di posizione casuali composti da tre strati iniziali depositati a traccia singola con 33 posizioni di deposizione per strato, generando un totale di 1.000 risultati di simulazione. Il modello assumeva una struttura a parete sottile in cui le variazioni di forma durante la deposizione non alteravano significativamente le variazioni termiche, concentrandosi invece sull'influenza termica degli strati adiacenti.
2. Sviluppo del Modello di Regressione Profonda: È stato sviluppato un modello di regressione profonda basato su un Autoencoder Convoluzionale 3D con connessioni skip (SC-3DCAE). Questa architettura, ispirata alla U-net, utilizza connessioni skip e convoluzioni 3D per estrarre le caratteristiche delle variazioni della distribuzione del calore causate dai diversi pattern di deposizione. Il modello è stato addestrato sul dataset del campo termico simulato (split training-to-test 3:1) per prevedere i campi termici per pattern arbitrari. Il modello ha raggiunto un errore quadratico medio normalizzato (nMSE) inferiore a 0,01 e un'accuratezza del 97,55% dopo 3.000 epoche.
3. Ottimizzazione e Validazione del Pattern: Il modello addestrato è stato impiegato per filtrare rapidamente i pattern di deposizione casuali al fine di identificare quelli che massimizzano il tasso di raffreddamento. È stato utilizzato un metodo di selezione passo dopo passo: il pattern ottimale per i primi tre strati è stato identificato, e gli ultimi due strati hanno servito come input iniziale per l'iterazione successiva, continuando fino alla definizione di tutti i 20 strati. È stata implementata una strategia di sovrapposizione "a posa di mattoni" con un rapporto sfalsato del 50% per prevenire vuoti e garantire la fusione degli strati. Il processo IPLD ottimizzato è stato validato sperimentalmente depositando la lega DD5 su un substrato di Inconel 718, con i risultati confrontati rispetto alla CLD convenzionale.

Contributi Chiave

• Integrazione di QCW e Deep Learning: Lo studio introduce un nuovo metodo di selezione del pattern di scansione che combina le zone di deposizione discrete del processo QCW con un algoritmo di regressione profonda (SC-3DCAE) per superare i limiti dell'apporto di energia continua.
• Previsione Rapida del Campo Termico: Il modello SC-3DCAE sviluppato consente la previsione in millisecondi dei campi termici per arbitrari pattern di deposizione multi-strato, evitando la necessità di costose simulazioni a elementi finiti per ogni pattern candidato.
• Analisi Microstrutturale Sistematica: La ricerca fornisce un confronto completo tra i processi IPLD e CLD, analizzando l'orientamento dei grani, la spaziatura dendritica, la dimensione dei precipitati e la segregazione elementare attraverso tecniche di diffrazione di elettroni retrodiffusi (EBSD), microscopia elettronica a scansione (SEM) e microanalisi a sonda elettronica (EPMA).

Risultati
I risultati sperimentali e di simulazione dimostrano che il processo IPLD supera significativamente il processo CLD nel controllo dell'accumulo di calore e della microstruttura:

• Caratteristiche Termiche e Microstrutturali: Il tasso di raffreddamento del processo CLD diminuisce da circa 3.500 K/s a 1.500 K/s nella regione inferiore e scende a 250 K/s nella regione centrale stabile. Al contrario, l'IPLD mantiene tassi di raffreddamento significativamente più elevati, variando da 3.500 K/s a 7.000 K/s nella regione inferiore e da 1.100 K/s a 2.000 K/s nella regione centrale. Di conseguenza, i campioni IPLD hanno esibito grani colonnari più fini con un più forte orientamento <001> e larghezze dei grani minori rispetto ai campioni CLD, dove l'accumulo di calore ha portato a un significativo ingrossamento dei grani.
• Raffinamento di Dendriti e Precipitati: Il processo IPLD ha prodotto una spaziatura dendritica primaria più piccola e bracci dendritici secondari meno sviluppati. La proporzione di carburi di grandi dimensioni (>0,8 μm) nei campioni IPLD era solo del 2%, rispetto all'11,2% nei campoli CLD.
• Proprietà Meccaniche: I test di trazione hanno rivelato che, sebbene le resistenze ultime alla trazione fossero comparabili (896 MPa per IPLD contro 891 MPa per CLD), l'allungamento del campione IPLD era significativamente più alto, attestandosi al 34,7% rispetto al 29,9% del CLD. L'analisi della frattura ha mostrato che i campioni IPLD possedevano dimples di frattura più piccoli e meno pori, indicando una distribuzione dello stress più uniforme e una migliore duttilità.
• Segregazione Elementare: La simulazione utilizzando il modello di solidificazione di Scheil ha confermato che l'elevato tasso di solidificazione dell'IPLD ha ridotto la segregazione di elementi come Nb, Ti e Ta nelle regioni interdendritiche, portando a precipitati di carburo più piccoli e numerosi anziché grandi e dannosi.

Significatività
L'articolo sostiene che il processo IPLD proposto, guidato dall'ottimizzazione del pattern di scansione basata sui dati, offre una direzione di ricerca fattibile per migliorare la qualità della deposizione di parti di grandi dimensioni in LDED. Regolando il pattern di scansione anziché affidarsi esclusivamente ai parametri di processo, il metodo ottiene elevati tassi di raffreddamento e un basso accumulo di calore, controllando efficacemente la dimensione dei grani, l'orientamento e la distribuzione dei precipitati. Lo studio suggerisce che questo approccio è particolarmente prezioso per la deposizione di superleghe monocristalline o policristalline dove la gestione termica è critica per prevenire difetti e garantire l'integrità meccanica. L'integrazione della regressione profonda con la simulazione fornisce un framework scalabile per la rapida ottimizzazione dei pattern, affrontando i colli di bottiglia computazionali associati alla tradizionale modellazione termica multi-strato.