機器學習輔助設計雷射積層參數製造超硬合金

摘要：此文使用擇區雷射熔融(Selective Laser Melting，SLM)製造WC-Co超硬合金，擇區雷射熔融是一種積層製造(Additive Manufacturing, AM)技術，能克服傳統液相燒結超硬合金過程中，因模具的使用所造成之幾何限制，得以進一步製作複雜度高的組件。然而快速冷卻的製程容易導致裂縫生成等缺陷，使其生產具有挑戰性。本文透過機器學習演算法協助設計SLM參數以減少缺陷，並在緻密度(Densification)、硬度(Hardness)、韌性(Toughness)和表面粗糙度(Surface Roughness)達到更好的綜合表現。本文章主要描述研究過程利用機器學習演算法種類中的隨機森林模型，輔助設計雷射積層參數，所建立之模型可以提供準確的預測能力及通用性，實驗驗證列印超硬合金，可以達到98.59 %的緻密度、1700 HV1的硬度、8.66 MPa√m的破壞韌性和0.1 mm的粗糙度，揭示機器學習為可被利用於優化3D列印參數之實用的工具。
Abstract：This article describes how to utilized selective laser melting (SLM) to fabricate WC-Co cemented carbide. SLM is an additive manufacturing (AM) technique, which can be used to avoid traditional manufacturing constraints and offer freedom in complexity design for products. However, the fabrication of WC-Co cemented carbide by SLM is very challenging because of the material is brittle and is prone to form defects such as crack due to rapid cooling process. This article describes how to apply one of the machine learning methods – Random Forest Algorithm in design to optimize SLM parameters to reduce defects and achieve a better combination of properties including densification, hardness, toughness and surface roughness. In summary, random forest model is an effective tool in design to optimize SLM parameters, according to the experimental results, a balanced properties with 98.59 % in densification, 1700 HV1 hardness, 8.66 MPa√m fracture toughness and 0.1 mm roughness have been achieved. This article shows that the machine learning can be a practical tool to optimize process parameters for 3D printing.

關鍵詞：WC-Co硬質合金、隨機森林演算法、擇區雷射熔融
Keywords：WC-Co cemented carbide, Random forest algorithm, Selective laser melting

前言
WC-Co是一種硬質合金，鎢鋼，也熟知為超硬合金，它是由堅硬的碳化鎢和富含韌性金屬(如鈷)粘合劑組成，所以能同時具有高硬度和某個程度的韌性。因此，它通常用於生產耐磨耗零件，像是模具、切削和鑽探工具等。傳統鎢鋼大多是以液態燒結的方式製成，圖形上受限於一些對稱且簡單的幾何形狀。近幾年，為了打破製程在幾何形狀上的限制，鎢鋼也採用了積層製造的方式來生產。以擇區雷射熔融(SLM)為例，產品能在高能雷射束選擇性的熔化粉末層層建造而成的，當燒結完一層粉末之後，工作平台會下降單層的高度，新的粉末會重新鋪在平台上。這個粉末熔化再凝固的過程會一直重複，直到產品被建構完成。這個製程的最大特色是能透過微米級的雷射束和層厚來控制產品的尺寸精確度，加上不需要模具，因此常用於製造複雜幾何圖形的產品以及滿足客製化的需求。然而快速冷卻為SLM之製程特徵，導致超硬合金材料組織中存在熔融不完全和氣孔等缺陷，容易造成機械性能的弱化，Uhlmann等人[1]曾經發表WC-Co中不同製程因子結合下的表現，可知適當的雷射功率、掃描速度、雷射間距和層厚可以減少熔融不完全的區域和氣孔。先前的研究也指出[2]，微小的WC-Co晶粒可以幫助同時提高硬度和韌性。可以知悉孔隙率、相組成和材料組織結構是決定機械性質的重要關鍵。近年來，機器學習已開始應用於積層製造技術，可協助加速材料設計、預測性能甚至優化性質[3]。機器學習是利用電腦從海量數據中提取“特徵”，不斷學習和精進特徵與目標之間的關係，以實現精準的預測。過去Khanzadeh等人[4]利用機器學習，研究熔池特性與缺陷之間的關係，檢測微觀結構的異常和缺陷，也有研究使用機器學習方法預測不同參數下聚苯乙烯的燒結強度[5]。超硬合金如WC-Co是我國工業相當重要的材料之一，據作者所知，目前國內外較少有研究針對超硬合金，進行機器學習輔助設計擇區雷射熔融參數，而工業上感興趣的特性包括緻密度、硬度、韌性及表面粗糙度。如何製作超硬合金產品以達到優化多種性質的綜合表現，是現今工業生產超硬合金所面臨的挑戰。本文透過機器學習中的隨機森林演算法[6]輔助設計SLM參數，此演算法之優勢在於使用少量有限的數據庫即可得到穩定性高及高維度的模型[7-9]，目的在於優化SLM製程參數，針對超硬合金材料，實現同時優化製品材料之緻密度(Densification)、硬度(Hardness)、韌性(Toughness)和表面粗糙度(Surface Roughness)。
建立數據庫及隨機森林模型
圖1為本文的實驗流程圖，首先必須建立超硬合金系統的實驗數據庫，本文實驗樣品利用ITRI-IT100機台製作，尺寸為10 mm3、皆在氧氣含量低於100 ppm的氬氣保護系統下製造。若低於90 %緻密度的樣品會被剔除，剩下資料庫中總共有109組SLM參數集和13個特徵用來評估和訓練隨機森林模型。

圖1 利用隨機森林演算法建立預測模型的研究流程