Multi-fidelity data fusion for additive manufacturing

Multi-fidelity data fusion methodology has attracted significant attention recently in Additive Manufacturing (AM) research field. Simultaneously, Metal AM and particularly Laser Powder Bed Fusion (L-PBF) have gained an increasing industrial recognition to produce functional components, where stringent regulations require high stability and repeatability of the process. In this context a quantitative understanding of the thermal field evolution is fundamental for parts qualification. In this Thesis, new frameworks for the integration of in-situ temperature measurement and transient thermal simulation data are presented to enhance layer-to-layer thermal prediction capabilities for geometry variation. Data sources involve (i) IR thermal imaging, named High-Fidelity data, and (ii) transient thermal modeling using finite element method (FEM), named Lo-Fi data. A total of 4 data fusion models are presented. First two models consist in a functional data calibration, by modeling the discrepancy coefficient between High-Fidelity data and Low-Fidelity data through a Gaussian process (GP) model. Difference and ratio between curves are computed and modeled to correct the Lo-Fi temperature profiles. Last two models rely on a theoretical thermal function fitting to the temperature profiles characterized by two main parameters. Discrepancy between parameters is evaluated and modeled to be applied to Low Fidelity data with the goal of improving thermal prediction capabilities. A case study on 4 components printed in AISI 316L is conducted to validate layer-to-layer temperature profile prediction. All specimens present an overhang side with an increasing overhang angle (15°-30°-45°-50°). Specifically, the interest of research is addressed towards the improvement of prediction capabilities for geometries variation. All frameworks are compared to a GP High-Fidelity based benchmark, highlighting better accuracy and stability in the thermal field prediction.

Metodologie di Multi-fidelity data fusion hanno riscontrato un crescente interesse nella ricerca legata all’Additive Manufacturing (AM). Contemporaneamente la stampa additiva del metallo ed in particolare il Laser Powder Bed Fusion (L-PBF) hanno acquistato un ruolo centrale nella produzione di componenti funzionali, dove le stringenti regolamentazioni richiedono una grande stabilità e ripetibilità del processo. In questo contesto, una comprensione quantitativa dell’evoluzione del campo termico è fondamentale per la determinazione della qualità della parte. In questa Tesi, nuovi approcci per l’integrazione delle misurazioni in-situ della temperatura e dei dati provenienti da simulazione termiche transitorie, sono presentati per migliorare la capacità di predizione del campo termico layer-to-layer al variare della geometria. Le fonti di dati includono (i) IR thermal imaging, denominato High-Fidelity data, e (ii) modello termico transitorio costruito attraverso analisi ad elementi finiti (FEM) denominati Low-Fidelity data. Un totale di quattro modelli di data fusion viene presentato. I primi due modelli consistono in una calibrazione dei dati funzionale, svolta modellando un coefficiente di discrepanza fra i dati High-Fidelity e Low-Fidelity attraverso un processo Gaussiano (GP). La differenza ed il rapporto fra le curve è stato calcolato e modellato per correggere i dati di temperature Low-Fidelity. Gli ultimi due modelli includono il fitting al profilo di temperatura di una funzione di raffreddamento, caratterizzata da due parametri. Il divario fra i parametri viene calcolato e modellato con lo scopo di applicare un coefficiente correttivo ai dati Low-Fidelity e migliorare la capacità predittiva del campo termico. Un caso studio con 4 componenti stampati in AISI 316L è stato svolto per validare la predizione dei profili di temperatura layer-to-layer. Tutti i provini presentati presentano una superficie in overhang con un angolo crescente(15°-30°-45°-50°). Nello specifico, l’interesse della ricerca è indirizzato verso il miglioramento della capacità predittiva al variare della geometria. I suddetti approcci vengono confrontati con un modello GP di riferimento costruito esclusivamente con i dati High-Fidelity, evidenziando una maggiore accuratezza e stabilità nella predizione del campo termico.