مدلسازی مبتنی بر یادگیری ماشین فرآیندهای ساخت افزایشی فلزی با استفاده از روش‌های داده افزایی و یادگیری گروهی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

• نیما ایوبی ¹
• رضا محبوبی اسفنجانی ²
• احمد اکبری الوانق ³
• حبیب بدری قویفکر ¹

¹ دانشگاه صنعتی سهند تبریز

² دانشکده مهندسی برق. دانشگاه صنعتی سهند

³ دانشگاه صنعتی سهند

10.22067/jmme.2025.91745.1177

چکیده

با وجود قابلیت‌های فراوان ساخت افزایشی فلزی، این روش با محدویت‌هایی از جمله قابلیت تکرارپذیری و تضمین کیفیت قطعات مواجه می‌باشد. جهت رفع این محدودیت‌ها به مدلسازی دقیق فرآیند نیاز است. از طرفی، کارایی روش‌های مدلسازی سنتی برای این امر پایین می‌باشد. یکی از روش‌های جدید مدلسازی مبتنی بر داده که امکان کشف الگوهای پنهان در فرآیندهای غیرخطی را فراهم می‌کند، یادگیری ماشین است. با وجود مزایای فراوان، به دلیل تعداد محدود داده در فرایند ساخت افزایشی، پیاده‌سازی یادگیری ماشین با مشکلاتی مواجه است. در این مقاله برای رفع این موارد از ترکیب داده‌افزایی و یادگیری ماشین برای مدلسازی دو روش شناخته شده ساخت افزایشی فلزی استفاده شده است. یادگیری گروهی برای بهبود دقت مدل به کار رفته است. نتایج شبیه‌سازی نشان دهنده کارایی روش پیشنهادی در مدلسازی مناسب فرآیند ساخت افزایشی فلزی می‌باشد. عملکرد مدل‌های پیشنهادی به ترتیب به اندازه 53 و 48 درصدی نسبت به حالت بدون داده افزایی بهبود یافته است.

کلیدواژه‌ها

• ساخت افزایشی فلزی
• یادگیری ماشین
• داده افزایی
• یادگیری گروهی
• مدلسازی

موضوعات

• شکل دادن فلزات

---

عنوان مقاله [English]

Machine Learning-Based Modeling of Metal Additive Manufacturing Processes Using Data Augmentation and Ensemble Learning

نویسندگان [English]

• Nima Ayobi ¹
• Reza Mahboobi Esfanjani ²
• Ahmad Akbari Alvanagh ³
• Habib Badri Ghavifekr ¹

¹ Sahand University of Technology

² Electrical Engineering Department,, Sahand University of Technology

³ Sahand University of Technology

چکیده [English]

Although metal additive manufacturing offers many advantages, it is restricted by the repeatability and quality assurance of the produced parts. Accurate mathematical modeling of the mentioned process is essential to tackle these limitations. Traditional mathematical modeling approaches are inefficient in describing this complicated system. Machine learning is a novel data-based modeling approach to discover hidden patterns in nonlinear systems. However, applying this scheme in the metal additive manufacturing process is challenging due to the limited data samples. This paper combines machine learning and data augmentation to tackle the mentioned issues and model two well-known metal additive manufacturing processes, Selective Laser Melting and Laser Direct Metal Deposition. Ensemble learning is utilized here to improve the model's accuracy. Simulation results demonstrate the effectiveness of the proposed method in modeling the metal additive manufacturing processes. The performance of the proposed models has been improved by 53% and 48%, respectively, compared to the case without data augmentation.

کلیدواژه‌ها [English]

• Metal additive manufacturing
• Machine learning
• Data augmentation
• Ensemble learning
• Modeling