DOI: https://doi.org/10.1016/j.ijfatigue.2026.109481
تاريخ النشر: 2026-01-08
المؤلف: Alessio Centola وآخرون
الموضوع الرئيسي: تحسين الطوبولوجيا في الهندسة
نظرة عامة
تقدم البحث منهجية جديدة لتصميم المكونات المعدنية المقاومة لفشل التعب، باستخدام خوارزميات تحسين الطوبولوجيا (TO) جنبًا إلى جنب مع عمليات التصنيع الإضافية (AM). تتضمن هذه الطريقة تقنيات التعلم الآلي (ML)، وبشكل خاص شبكة عصبية بايزي (BNN)، لتقدير حد الإجهاد ($S_{\text{lim}}$) بناءً على معلمات عملية التصنيع. تم تطبيق هذه المنهجية على دراستين حالتين: ذراع التحكم السفلي لتعليق السيارات مصنوع من SS316L وحامل فضائي مصنوع من Ti6Al4V. تم تدريب BNN على بيانات الأدبيات الموجودة المتعلقة بفشل التعب لكل مادة، مما يتيح استرجاع منحنيات الإجهاد-الحياة الاحتمالية (PSN) لحساب $S_{\text{lim}}$ لعملية TO.
تشمل النتائج الرئيسية توليد تصميمين متميزين لكل مكون، تعكس التغيرات في معلمات العملية التي تؤثر على $S_{\text{lim}}$. يدمج إطار العمل ML بفعالية بيانات الأدبيات، مع الأخذ في الاعتبار التباين في أداء التعب وتأثير معلمات التصنيع، مما يسهل تصميم التعب بشكل موثوق دون الحاجة إلى تحقق تجريبي موسع. بالإضافة إلى ذلك، تم تطوير BNN منفصل للعيوب لتقييم أحجام العيوب الحرجة، مما يسمح بحساب عوامل شدة الإجهاد ($K_I$) التي تم التحقق منها مقابل عتبات الأدبيات ($K_{\text{th}}$). تشير النتائج إلى أن منهجيات التصميم المقترحة يمكن أن تعزز بشكل كبير موثوقية وكفاءة مكونات AM من خلال تضمين اعتبارات العيوب الناتجة عن العملية وتباين الأداء مباشرة في مرحلة التصميم.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التقدم السريع في التصنيع الإضافي (AM)، لا سيما في القطاعات مثل الفضاء، والسيارات، والهندسة الطبية الحيوية، بسبب قدرتها على إنشاء هندسات معقدة لا يمكن تحقيقها من خلال التصنيع التقليدي. من بين تقنيات AM المختلفة، يُلاحظ أن انصهار مسحوق السرير – شعاع الليزر (PBF-LB) يتمتع بقدرة على معالجة سبائك المعادن عالية الأداء مثل Ti6Al4V و SS316L، على الرغم من أنه مرتبط بعيوب يمكن أن تؤثر سلبًا على أداء التعب. تم اقتراح استراتيجيات مختلفة، بما في ذلك تحسين معلمات العملية وعلاجات ما بعد المعالجة، للتخفيف من هذه العيوب؛ ومع ذلك، حتى المكونات المحسنة غالبًا ما تحتفظ بتجمعات عيوب كبيرة، مما يؤدي إلى تقليل أداء التعب مقارنة بالأجزاء المصنعة تقليديًا.
تؤكد الورقة على الدور الناشئ للتعلم الآلي (ML) في التنبؤ بسلوك التعب للمواد في AM، لا سيما من خلال استخدام الشبكات العصبية (NN) التي يمكن أن تضم كل من الأساليب المعتمدة على البيانات والأساليب المستندة إلى الفيزياء. يُقترح صياغة احتمالية، مثل الشبكات العصبية البايزية (BNN)، لتعزيز موثوقية التنبؤات من خلال فصل عدم اليقين التجريبي عن عدم اليقين النموذجي. يقترح المؤلفون نهجًا جديدًا يدمج تحسين الطوبولوجيا (TO) مع قيود الإجهاد المستمدة من ML لتصميم مكونين: ذراع التحكم السفلي لتعليق السيارات مصنوع من SS316L وحامل فضائي مصنوع من Ti6Al4V. يهدف هذا النهج إلى أخذ العيوب الناتجة عن التصنيع في الاعتبار وتحسين الأداء الهيكلي، مما يمثل تقدمًا كبيرًا في تطبيق ML في تصميم مكونات AM. توضح الورقة هيكل الدراسة، موضحة المنهجيات ودراسات الحالة التي سيتم مناقشتها في الأقسام التالية.
الطرق
توضح قسم الطرق الخوارزميات المستخدمة في الدراسة. في القسم 2.1، يتم تفصيل شبكة الأعصاب البايزية للتعب (BNN)، مع التركيز على تطبيقها في التنبؤ بحد الإجهاد بناءً على معلمات العملية المختلفة. يوضح القسم 2.2 بنية BNN أخرى، تُعرف باسم BNN للعيوب، والتي تم تصميمها لتقدير حجم العيب الأكثر أهمية، المشار إليه بـ \( a_c \). علاوة على ذلك، تناقش الأقسام 2.3 و 2.4 دمج هذه الشبكات العصبية البايزية في خوارزمية تحسين الطوبولوجيا (TO)، بهدف تصميم مكونات مقاومة لفشل التعب.
المناقشة
تتناول قسم المناقشة في الورقة البحثية تنفيذ وفعالية شبكة الأعصاب البايزية للتعب (BNN) و BNN للعيوب في التنبؤ بحدود التعب وأحجام العيوب لمكونات التصنيع الإضافي (AM). تم هيكلة BNN للتعب لأخذ مجموعة متنوعة من معلمات الإدخال في الاعتبار، بما في ذلك معلمات العملية، والمعالجات الحرارية، ومعالجات السطح، والتي تعتبر حاسمة في تحديد عمر التعب للمواد. تتكون البنية من طبقة إدخال، وثلاث طبقات مخفية مع وظائف تنشيط وحدات خطية مصححة (ReLU)، وطبقة إخراج متغيرة. يسمح هذا التصميم بالتنبؤ بعمر التعب مع مستويات ثقة محددة، مما يدمج بفعالية عدم اليقين المرتبط بعمليات AM. تُظهر عملية التدريب، التي تم التحقق منها من خلال التحقق المتقاطع 10 مرات، خطأ تعميم منخفض، مما يشير إلى أداء قوي عبر مواد مختلفة.
في المقابل، تركز BNN للعيوب على التنبؤ بأحجام العيوب الحرجة بناءً على معلمات الإدخال المماثلة ولكنها تخرج حجم العيب الحرجة، وهو أمر ضروري لتقييم السلامة الهيكلية لمكونات AM. تبرز المناقشة التحديات في استرجاع قيم K_th موثوقة لتحليل العيوب، مما يبرز مزايا BNN للتعب بسبب توفر بيانات التعب بشكل أكبر في الأدبيات. كما توضح الورقة تطبيق هذه الشبكات العصبية البايزية في تحسين الطوبولوجيا (TO) لمكونات الفضاء والسيارات، مما يوضح كيف يمكن أن توجه BNN للتعب عملية التصميم بفعالية مع الأخذ في الاعتبار عدم اليقين في أداء التعب. تشير النتائج إلى أنه بينما تعتبر كلتا الطريقتين BNN قيمة، قد تكون BNN للتعب أكثر فائدة بسبب اعتمادها على بيانات متاحة بشكل أكبر، مما يسهل في النهاية تصميم مكونات AM خفيفة الوزن ومقاومة للتعب.
DOI: https://doi.org/10.1016/j.ijfatigue.2026.109481
Publication Date: 2026-01-08
Author(s): Alessio Centola et al.
Primary Topic: Topology Optimization in Engineering
Overview
The research presents a novel methodology for designing metallic components resistant to fatigue failures, utilizing topology optimization (TO) algorithms in conjunction with additive manufacturing (AM) processes. The approach incorporates machine learning (ML) techniques, specifically a Bayesian neural network (BNN), to estimate the stress limit ($S_{\text{lim}}$) based on manufacturing process parameters. This methodology was applied to two case studies: an automotive suspension lower control arm made of SS316L and an aerospace bracket made of Ti6Al4V. The BNN was trained on existing literature data regarding fatigue failures for each material, enabling the retrieval of probabilistic stress-life (PSN) curves to compute $S_{\text{lim}}$ for the TO process.
Key findings include the generation of two distinct designs for each component, reflecting variations in process parameters that influence $S_{\text{lim}}$. The ML framework effectively integrates literature data, accounting for the variability in fatigue performance and the impact of manufacturing parameters, thus facilitating reliable fatigue design without the need for extensive experimental validation. Additionally, a separate Defects BNN was developed to assess critical defect sizes, allowing for the computation of stress intensity factors ($K_I$) that were validated against literature thresholds ($K_{\text{th}}$). The results indicate that the proposed design methodologies can significantly enhance the reliability and efficiency of AM components by embedding considerations of process-induced defects and performance variability directly into the design phase.
Introduction
The introduction of this research paper highlights the rapid advancements in additive manufacturing (AM), particularly in sectors such as aerospace, automotive, and biomedical engineering, due to its ability to create complex geometries that traditional manufacturing cannot achieve. Among various AM techniques, Powder Bed Fusion – Laser Beam (PBF-LB) is noted for its capacity to process high-performance metal alloys like Ti6Al4V and SS316L, although it is associated with defects that can adversely affect fatigue performance. Various strategies, including optimization of process parameters and post-processing treatments, have been proposed to mitigate these defects; however, even optimized components often retain significant defect populations, leading to reduced fatigue performance compared to conventionally manufactured parts.
The paper emphasizes the emerging role of machine learning (ML) in predicting the fatigue behavior of materials in AM, particularly through the use of neural networks (NN) that can incorporate both data-driven and physics-informed approaches. A probabilistic formulation, such as Bayesian neural networks (BNN), is suggested to enhance the reliability of predictions by separating experimental uncertainty from model uncertainty. The authors propose a novel approach that integrates topology optimization (TO) with ML-derived stress constraints to design two components: an automotive suspension lower control arm made of SS316L and an aerospace bracket made of Ti6Al4V. This approach aims to account for manufacturing defects and optimize structural performance, marking a significant advancement in the application of ML in the design of AM components. The paper outlines the structure of the study, detailing the methodologies and case studies to be discussed in subsequent sections.
Methods
The Methods section outlines the algorithms utilized in the study. In Section 2.1, the Fatigue Bayesian Neural Network (BNN) is detailed, focusing on its application for predicting the stress limit based on various process parameters. Section 2.2 elaborates on the architecture of another BNN, referred to as the Defects BNN, which is designed to estimate the most critical defect size, denoted as \( a_c \). Furthermore, Sections 2.3 and 2.4 discuss the integration of these BNNs into the topology optimization (TO) algorithm, aimed at designing components that are resilient to fatigue failures.
Discussion
The discussion section of the research paper elaborates on the implementation and efficacy of the Fatigue Bayesian Neural Network (BNN) and the Defects BNN in predicting fatigue limits and defect sizes for additive manufacturing (AM) components. The Fatigue BNN is structured to account for various input parameters, including process parameters, thermal treatments, and surface treatments, which are critical in determining the fatigue life of materials. The architecture consists of an input layer, three hidden layers with rectified linear unit (ReLU) activation functions, and a variational output layer. This design allows for the prediction of fatigue life with defined confidence levels, effectively integrating the inherent uncertainties associated with AM processes. The training process, validated through 10-fold cross-validation, demonstrates low generalization error, indicating robust performance across different materials.
In contrast, the Defects BNN focuses on predicting critical defect sizes based on similar input parameters but outputs the critical defect size, which is essential for assessing the structural integrity of AM components. The discussion highlights the challenges of retrieving reliable K_th values for defect analysis, emphasizing the advantages of the Fatigue BNN due to the greater availability of fatigue data in literature. The paper also details the application of these BNNs in topology optimization (TO) for aerospace and automotive components, showcasing how the Fatigue BNN can effectively guide the design process while accounting for uncertainties in fatigue performance. The findings suggest that while both BNN approaches are valuable, the Fatigue BNN may be more advantageous due to its reliance on more readily available data, ultimately facilitating the design of lightweight, fatigue-resistant AM components.