机床与液压

作者：孙克强，周金宇

单位：江苏理工学院机械工程学院；金陵科技学院机电工程学院

关键词：迁移学习;神经网络;材料属性;选区激光熔化;熔池温度场

基金：国家自然科学基金项目（52075232）；江苏省自然科学基金（BK20201112）；国家重点研发计划（2022YFE0138500）；江苏理工学院研究生实践创新项目（XSJCX2〖BF〗3_28

在选区激光熔化（SLM）过程中，熔池温度场的精确预测对成型质量控制和工艺优化至关重要。然而，传统机器学习方法高度依赖大样本数据，难以适应多材料条件下的高效迁移。针对该问题，提出一种融合材料属性的迁移学习方法，用于不同材料间熔池温度场的预测。基于有限元模拟获取TC4钛合金与316L不锈钢的熔池温度场数据；构建包含3层隐藏层的多层感知机（MLP）模型，并在TC4数据集上进行训练，作为源模型；在高层特征中引入材料属性，实现模型向目标材料的迁移；最后，利用少量目标数据对预训练模型进行微调与验证。结果表明：该方法在小样本条件下仍具较高预测精度，峰值温度的相对误差小于1%，熔池长度和宽度的相对误差均小于3%。该方法能够有效提升SLM多材料熔池温度场预测的准确性，为多材料增材制造的智能建模与优化提供了可行路径。

来源：2025年第22期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第22期