Multi-objective optimization of the laser-based powder bed fusion process of 316L stainless steel alloy
Loading...
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El mejoramiento del rendimiento funcional de los procesos de manufactura aditiva (MA) es un paso importante para su estandarización e implementación en la industria. La presente investigación está dirigida a la selección de los parámetros óptimos del proceso de fusión por laser de cama de polvos (LB-PBF) de la aleación de acero inoxidable 316L. La utilidad del proceso LB-PBF depende en gran medida de sus parámetros; por lo tanto, considerando el tipo de pieza a elaborar y la naturaleza del material, estos deben ser adecuadamente optimizados, lo que permitirá obtener el producto deseado con las propiedades requeridas. La falta de métodos de optimización multiobjetivo aplicados al proceso LB-PBF sigue siendo un vacío en los estudios realizados hasta el momento. Otro punto polémico se refiere a los objetivos a alcanzar en la optimización. El uso de algún indicador de propiedades mecánicas, como la densidad o la porosidad, es un punto de vista donde existe consenso. Sin embargo, la combinación de métricas de calidad con indicadores de productividad parece ser un enfoque más racional y que mejor caracteriza el desempeño del proceso LB-PBF. En la literatura, solo unos pocos trabajos consideraron, de forma restringida, la idea anterior. En esta investigación se propone una metodología de optimización multiobjetivo de los parámetros que rigen el proceso LB-PBF, basado en técnicas de Inteligencia Artificial (IA), en el cual se consideran simultáneamente, dos objetivos: la tasa de procesamiento de material y la rugosidad superficial. La selección de estas funciones permite evaluar paralelamente la productividad del proceso así como la calidad de la pieza obtenida, respectivamente. Para la modelación de la rugosidad superficial se emplearán aproximaciones empíricas ampliamente divulgadas en la literatura, tales como, superficie de respuesta, Redes Neuronales Artificiales, Máquinas de Soporte Vectorial, Procesos Gaussianos, Bosques Aleatorios, Sistemas de Inferencia Borrosa Neuro-Adaptativo, y Modelos Ensamblados; lo cual permitirá seleccionar el modelo que mejor describa la relación entre la rugosidad y los parámetros del proceso (potencia del láser, velocidad de escaneo, el espesor de capa y el espacio entre tramas), así como también la densidad relativa, la dureza del material y sus propiedades mecánicas con las antes mencionadas variables. La optimización multiobjetivo se realizará a través del enfoque a posteriori, que permite obtener la frontera de Pareto para luego, a partir de ella, tomar las decisiones que más se ajustan a los requerimientos del producto a elaborar. Para llevar a cabo la optimización serán empleados y comparados, el Algoritmo Genético No Ordenado (NonSorting Genetic Algorithm, NSGA-II), Enjambre de Partículas (Multi-Objective Particle Swarm Optimization, MOPSO) y el Método de Entropía Cruzada (Multi-Objective Cross Entropy) usando como métricas de calidad, el tiempo de cómputo y el hipervolumen. Además, para la toma de decisión a partir de los resultados de la optimización se implementará un sistema de inferencia borroso. Finalmente, se analizará la eficiencia termodinámica del proceso LB-PBF , así como las propiedades mecánicas de probetas de acero inoxidable 316L impresas a partir de los resultados de la optimización.
Description
Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2023.