摘要：随着航空航天技术的快速发展，热端部件对材料性能的要求逐渐提高。SiC和SiCf作为一种新型的高强材料和耐高温陶瓷，具有低密度( 2 ~ 3g/cm3)、耐高温(>1500℃)、耐腐蚀、力学性能优异等特点。然而，陶瓷基材料的加工是极其困难的，研究人员考虑采用激光

来自北京航空航天大学的研究人员在Journal of Intelligent Manufacturing国际期刊上发表文章Optimization of processing parameters for waterjet-guided laser machining of SiC/SiC composites。

Laser & Electron Beam Processing

01

论文导读

随着航空航天技术的快速发展，热端部件对材料性能的要求逐渐提高。SiC和SiCf作为一种新型的高强材料和耐高温陶瓷，具有低密度( 2 ~ 3g/cm3)、耐高温(>1500℃)、耐腐蚀、力学性能优异等特点。然而，陶瓷基材料的加工是极其困难的，研究人员考虑采用激光加工SiCf / SiC材料。激光加工体现在其加工质量好、非接触加工、对材料的热输入低、易于与数控技术结合等方面。在激光加工的各种方法中，水导纳秒激光具有平衡的加工精度和效率。然而，水导纳秒激光加工的加工参数会以非线性关系作用于加工结果，如果没有足够的实验和精确的物理模型来识别这些参数是很困难的。一种方法是在充分了解激光加工中材料间相互作用的基础上，基于激光、水和复合材料的物理仿真，建立整个激光加工过程的物理模型。但需要考虑各向异性复合材料的去除和变形、等离子体产生和多光子相互作用等问题，以获得模拟精度，这通常是不可能的。考虑到材料科学中实验数据收集的复杂性，使用小样本和神经网络是比较好的解决办法。

02

全文概述

本文讨论了使用各种机器学习算法进行预测的准确性。其次，在最优人工神经网络(ANN)模型的基础上，应用遗传算法( GA )寻找最佳的加工参数组合,以加工参数(平均功率、扫描速度、填充间距)为输入参数，利用神经网络对SiC/SiC复合材料激光打孔结果进行预测，确定了基于神经网络的最优加工参数组合，并利用物理仿真模型验证了神经网络的有效性。结果表明，神经网络能够识别加工参数对加工质量的非线性影响，MAE为0.054，RMSE为0.067，神经网络和物理仿真模型相结合的方法具有显著减少优化时间和加深对激光加工理解的潜力。

03

图文解析

图1为整个实验过程的流程图，包括实验阶段、预测和优化阶段以及验证和解释阶段。

图1. 水导激光加工优化流程图。

图2为由实验结果生成质量参数的流程图，可以观察到小孔内部存在多层环状结构。这种结构形成的一个可能原因是低激光功率、高扫描速度和大扫描间距的组合。沿孔边缘的反射区是由于孔壁坡度较陡造成的。

图2. 由实验结果生成质量参数的过程。

实验选取测试集中的24个样本点。图3展示了24个样本点的实际实验值和使用不同机器学习技术的预测值之间的比较。可以看出，在测试集的结果中，机器学习模型对质量结果和真实结果之间相差不大。

图3. 不同机器学习模型在测试集上的结果。(a) NN；(b) SVR；(c) RF；(d) XGBoost。

图4展示了不同机器学习模型的24个样本点的实际实验值与预测值之间的偏差，并标记了10 %的误差线。红色虚线表示呈误差为0的线性关系，蓝色虚线表示10%的误差线。可以看出，ANN模型的实际实验值与预测值之间的误差最小。

图4. 不同机器学习模型预测值与实际值的比较：(a) NN；(b) SVR；(c) RF；(d) XGBoost。

图5显示了基于神经网络的热力图和等值线图，用于寻找最优的加工参数。为了达到更好的加工效果(无环形和小壁锥度)，只需要找到质量参数尽可能小的区域(

图5. 基于神经网络的热力图和等值线图。(a)功率和速度的影响，(b)功率和间距的影响，(c)速度和间距的影响，(d)功率、速度和间距的影响。

图6展示了使用物理仿真模型对机器学习模型优化结果进行验证。物理仿真模型以功率、扫描速度、填充间距为3个输入参数。激光器的重复频率为6 kHz，脉冲宽度为240 ns。随着激光功率的增加，小孔烧损深度增加，小孔孔壁的锥度在相同深度处逐渐减小。随着填充间距的减小，圆环结构顶部逐渐变薄。

图6. 不同功率和填充间距对形貌的影响。(a) 70μm + 5.6w，(b) 70μm + 8.8w，(c) 70μm + 8.8w，(d) 60μm + 5.6w，(e) 50μm + 5.6w，(f) 40μm + 5.6 w。

04

总结

1.即使是简单的神经网络，只要有足够的样本点( 300个)，在映射加工参数与质量参数之间的关系时，也能获得较低的RMSE估计( 0.0668 )和MAE估计( 0.0536 )。这与一些传统的机器学习回归模型( SVR、RF和XGBoost)相比具有显著的优势。

2.神经网络可以学习到一些在物理模型中难以表示的非线性数据特征，如本实验中扫描速度对质量参数的影响。采用合适的数据表示方式，可以探究不同加工与质量参数之间的耦合关系。在优化目标中引入成本参数，可以同时考虑加工质量参数和成本。

3.物理建模仿真是必不可少的，当与神经网络结合时，可以帮助我们加深对加工过程的理解。神经网络从数据集中学习到的一些线性特征和规则可以在物理模型中得到验证。

Laser & Electron Beam Processing

论文链接：

来源：江苏激光联盟