Siemens从ElectroPuls E10000疲劳试验机上进行的试验活动中获取数据，该试验机针对增材制造产品的疲劳试验进行了优化。随后，这些数据用于评估与金属合金增材制造相关的问题研究，并整合到西门子数字工业软件(Siemens Digital Industries Software)中提供相应解决方案。
金属部件的疲劳性能取决于材料微观结构内的特性和试样的几何结构。与其他制造技术相同，通过增材制造生产的组件将包含与其生产过程相关的固有特性。表现为残余应力、孔隙或表面粗糙度差异；这些差异与部件的局部几何形状高度相关，如图1所示。这意味着组件和微观结构特征之间的关系将决定其疲劳性能，对其评估相对复杂。因此，仅用数学模型来说明各特征之间的相互作用，以及每个特征对组件的影响几乎不可能。
图1 影响3D打印结构疲劳寿命的因素。
在工业上，对于生产关键性能部件的制造商来说，面临的最大挑战就是研究部件的疲劳特性需要大量的实体测试，付出较大成本。这是因为缺少计算机辅助工程(CAE)工具，CAE可对每个组件中发现的局部特征进行排列和组合研究，从而预测动态性能的差异。
表面粗糙度是3D打印组件中局部特征如何差异化性能的一个明显示例。因为它们是通过少量悬垂在后续材料层上建立起来的，如图2中不同的分布所示。 因此，制造商必须在尽可能多的方向上打印和测试部件，以确定在哪一个方向可获取最佳的疲劳特性。
图2在Simcenter 3D中显示，表面粗糙度与不同构建方向的悬挑角呈函数关系。
测试所有的构建方向或评估所有的微观结构特征组合是不可行的，更不用说加载条件、残余应力和后期处理的影响。但是，对于在安全性能严格要求场景中使用的3D打印部件，必须进行可靠的分析和预测。
通过机器学习，Siemens数字化工业软件能够评估未经力学测试的3D打印零件的疲劳性能。该方法已经在3D打印的样品上进行了评估，样品是通过3D系统根据一组固定的加工参数所打印。疲劳试验和分析由鲁汶大学机械工程系的增材制造团队使用Instron® ElectroPuls E10000所完成。
配置有T型槽，Instron的ElectroPuls E10000 针对增材制造产品的疲劳试验进行了优化。全电动设计和用户友好的WaveMatrix™3软件，以及专利的基于刚度的调谐等功能，最终形成了一个多功能、高效且占地面积小的测试系统。可连接应变仪、DIC相机及其他传感器，帮助用户记录复杂测试组件表面的详细应变图谱。因此，为您的试验项目生成详细的数据集从未如此简单快速。根据ElectroPuls系统获取的真实SN数据，该软件可以预测未经试验的条件组合的SN曲线。
机器学习使用高斯过程回归，一种基于最小输入数据集高效地为结果提供概率分布的方法，并且提供比利用内推或外推的传统方法更多的优势。
将机器学习与Siemens Simcenter 3D Specialist Durability软件相结合后，可以根据区域或元件定义疲劳性能，并可以对材料进行额外处理。然后，系统将根据CAD模型识别组件中影响疲劳的特性，机器学习算法可以预测与模型中不同表面元素相对应的局部SN曲线。耐久性计算可以基于局部特性使用材料特性和跨模型SN曲线映射来量化整个结构的损伤累积，产生如图3所示的模拟。
图3 使用机器学习扩展技术确定3D打印零件耐久性计算的工作流程述。
图4中的结果显示了三个不同样品的预测疲劳性能。在每种情况下，每个样品的实际试验数据（由蓝色数据点表示）都没有输入到机器学习算法中。从图中可以看出，该算法成功预测了样品的性能，所有点都位于预测的上限和下限内，并且接近预测的SN曲线（红色实线）。所示样品包括：一个构造方向为90度，随后进行机加工和热等静压(HIP)处理的样品，以及两个构造方向为50度，其中一个经过完全退火(FA)处理，另一个经过HIP处理的样品。
图4 3D打印零件疲劳寿命预测结果和真实实验数据点非常接近。
Siemens的这种机器学习方法看起来是评估增材制造部件疲劳性能的一种有效方法，并且提供了一种不需要对疲劳影响因素进行特定推断的解决方案。该方法也足够灵活，也适用于样品的局部性能表征。同时，对于专业人员有限但对测试要求很高的增材制造行业，西门子的机器学习方法与ElectroPuls E10000的试验效率相结合，可大大减少需要各种分析结果的试验时间和测试数量。
如果您想阅读Siemens的原文，请点击这里。