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

Resumo Técnico: Seleção de Padrão de Varredura Baseada em Dados para Deposição Multicamada em Lazer de Deposição de Energia Direcionada via Método de Regressão Profunda com Integração de Simulação

Definição do Problema
Na Deposição de Energia Direcionada por Laser (LDED), o acúmulo de calor durante o processo de deposição multicamada afeta significativamente o campo térmico, levando a características microestruturais indesejáveis, como grãos grosseiros, segregação de elementos e formação de fases frágeis. Embora parâmetros de processo como potência do laser e velocidade influenciem a condução térmica, a estratégia de varredura é um fator crítico, frequentemente limitado por restrições do equipamento quando ajustada diretamente. A Deposição de Laser Contínua (CLD) envolve entrada contínua de energia, o que reduz as taxas de resfriamento, retarda a solidificação e promove o crescimento de grandes dendritos e a segregação de elementos de liga. Métodos existentes para otimizar padrões de deposição, como tentativas e erros experimentais ou abordagens heurísticas, são ineficientes e têm dificuldade em prever campos térmicos para cenários multicamada complexos de forma rápida.

Metodologia
Este estudo propõe uma abordagem baseada em dados para otimizar padrões de varredura integrando o processo de Onda Contínua Quasi-Quase (QCW) com um algoritmo de regressão profunda, denominado processo de Deposição de Laser Pulsada por Intervalo (IPLD). A metodologia consiste em três estágios principais:

1. Simulação de Elementos Finitos e Construção de Conjunto de Dados: Um modelo de elementos finitos multicamada foi estabelecido para simular o campo térmico de uma estrutura de parede fina de 20 camadas. Para garantir a generalização, o modelo de simulação utilizou padrões de posição aleatórios consistindo em três camadas iniciais de deposição de trilha única com 33 posições de deposição por camada, gerando um total de 1.000 resultados de simulação. O modelo assumiu uma estrutura de parede fina onde as mudanças de forma durante a deposição não alteravam significativamente as variações térmicas, focando, em vez disso, na influência térmica das camadas adjacentes.
2. Desenvolvimento do Modelo de Regressão Profunda: Foi desenvolvido um modelo de regressão profunda baseado em um Autoencoder Convolucional 3D com Conexões de Salto (SC-3DCAE). Esta arquitetura, inspirada na U-net, utiliza conexões de salto e convoluções 3D para extrair características das variações de distribuição de calor causadas por diferentes padrões de deposição. O modelo foi treinado no conjunto de dados de campo térmico simulado (divisão de treinamento-teste de 3:1) para prever campos térmicos para padrões arbitrários. O modelo alcançou um erro quadrático médio normalizado (nMSE) abaixo de 0,01 e uma precisão de 97,55% após 3.000 épocas.
3. Otimização e Validação de Padrão: O modelo treinado foi empregado para rastrear rapidamente padrões de deposição aleatórios para identificar aqueles que maximizam a taxa de resfriamento. Um método de seleção passo a passo foi utilizado: o padrão ideal para as três primeiras camadas foi identificado, e as duas últimas camadas serviram como entrada inicial para a próxima iteração, continuando até que todas as 20 camadas fossem definidas. Uma estratégia de sobreposição de "assentamento de tijolos" com uma razão de defasagem de 50% foi implementada para evitar lacunas e garantir a fusão das camadas. O processo IPLD otimizado foi validado experimentalmente depositando a liga DD5 sobre um substrato de Inconel 718, com os resultados comparados contra a CLD convencional.

Principais Contribuições

• Integração de QCW e Aprendizado Profundo: O estudo introduz um novo método de seleção de padrão de varredura que combina as zonas de deposição discretas do processo QCW com um algoritmo de regressão profunda (SC-3DCAE) para superar as limitações da entrada de energia contínua.
• Predição Rápida de Campo Térmico: O modelo SC-3DCAE desenvolvido permite a predição em nível de milissegundos de campos térmicos para padrões de deposição multicamada arbitrários, evitando a necessidade de simulações de elementos finitos computacionalmente dispendiosas para cada padrão candidato.
• Análise Microestrutural Sistemática: A pesquisa fornece uma comparação abrangente entre os processos IPLD e CLD, analisando orientação de grãos, espaçamento dendrítico, tamanho de precipitados e segregação de elementos através de técnicas de Difração de Elétrons Retroespalhados (EBSD), Microscopia Eletrônica de Varredura (SEM) e Microanalisador de Sonda Eletrônica (EPMA).

Resultos
Resultados experimentais e de simulação demonstram que o processo IPLD supera significativamente o processo CLD no controle do acúmulo de calor e da microestrutura:

• Características Térmicas e Microestruturais: A taxa de resfriamento do processo CLD diminui de aproximadamente 3.500 K/s para 1.500 K/s na região inferior e cai para 250 K/s na região central estável. Em contraste, o processo IPLD mantém taxas de resfriamento significativamente mais altas, variando de 3.500 K/s a 7.000 K/s na região inferior e de 1.100 K/s a 2.000 K/s na região central. Consequentemente, as amostras de IPLD exibiram grãos colunares mais finos com uma orientação <001> mais forte e larguras de grão menores em comparação com as amostras de CLD, onde o acúmulo de calor levou ao engrossamento significativo dos grãos.
• Refinamento de Dendritos e Precipitados: O processo IPLD resultou em menor espaçamento dendrítico primário e braços dendríticos secundários menos desenvolvidos. A proporção de carbetos de grande tamanho (>0,8 μm) nas amostras de IPLD foi de apenas 2%, comparada a 11,2% nas amostras de CLD.
• Propriedades Mecânicas: Testes de tração revelaram que, embora as resistências à tração última sejam comparáveis (896 MPa para IPLD vs. 891 MPa para CLD), o alongamento da amostra de IPLD foi significativamente maior, com 34,7% em comparação com 29,9% para CLD. A análise de fratura mostrou que as amostras de IPLD possuíam covas de fratura menores e menos poros, indicando uma distribuição de tensão mais uniforme e melhor ductilidade.
• Segregação de Elementos: A simulação usando o modelo de solidificação de Scheil confirmou que a maior taxa de solidificação do IPLD reduziu a segregação de elementos como Nb, Ti e Ta nas regiões interdendríticas, levando a precipitados de carbeto menores e mais numerosos, em vez de carbetos grandes e prejudiciais.

Significância
O artigo afirma que o processo IPLD proposto, impulsionado pela otimização de padrão de varredura baseada em dados, oferece uma direção de pesquisa viável para melhorar a qualidade de deposição de peças de grande porte em LDED. Ao regular o padrão de varredura em vez de depender apenas de parâmetros de processo, o método alcança altas taxas de resfriamento e baixo acúmulo de calor, controlando efetivamente o tamanho do grão, orientação e distribuição de precipitados. O estudo sugere que esta abordagem é particularmente valiosa para a deposição de superligas monocristalinas ou policristalinas, onde o gerenciamento térmico é crítico para prevenir defeitos e garantir a integridade mecânica. A integração de regressão profunda com simulação fornece um framework escalável para a rápida otimização de padrões, abordando os gargalos computacionais associados à modelagem térmica multicamada tradicional.