Modelling, Prediction and Optimization of Mechanical and Geometrical Properties of Wire Arc Additively Manufactured Steel Components Using Machine Learning
- Promovendus/a
- Cheng, Jun
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektromechanica, Systeem- en Metaalengineering
- Curriculum
- Master's Degree of Engineering, Chongqing University (China), 2020
- Academische graad
- Doctor in de ingenieurswetenschappen: werktuigkunde-elektrotechniek
- Taal proefschrift
- Engels
- Vertaling titel
- Modelleren, voorspellen en optimaliseren van mechanische en geometrische eigenschappen van met draadboogtechnologie vervaardigde stalen componenten met behulp van machinaal leren
- Promotor(en)
- prof. Wim De Waele, vakgroep Elektromechanica, Systeem- en Metaalengineering - dr. Dibakor Boruah, The Welding Institute (Verenigd Koninkrijk)
- Examencommissie
- voorzitter prof. Patrick De Baets (decaan) - prof. Elyas Ghafoori, Leibniz Universität Hannover (Duitsland) - dr. ing. Rafael Gomes Nunes Silva, Belgisch Instituut voor Lastechniek - prof. Kris Hectors, vakgroep Elektromechanica, Systeem- en Metaalengineering - prof. Fuhui Shen, vakgroep Elektromechanica, Systeem- en Metaalengineering - dr. ir. Michael Sluydts, vakgroep Elektromechanica, Systeem- en Metaalengineering - promotor prof. Wim De Waele, vakgroep Elektromechanica, Systeem- en Metaalengineering - promotor dr. Dibakor Boruah, The Welding Institute (Verenigd Koninkrijk)
Korte beschrijving
Wire and Arc Additive Manufacturing (WAAM) maakt het mogelijk om grote metalen onderdelen snel en relatief goedkoop te produceren. Deze technologie biedt veel mogelijkheden voor sectoren zoals de luchtvaart, de automobielindustrie en de productie van industriële componenten. Het bepalen van de juiste procesinstellingen blijft echter een uitdaging, omdat warmteopbouw tijdens het productieproces een grote invloed heeft op de microstructuur en de uiteindelijke materiaaleigenschappen. Traditionele experimenten en computersimulaties om deze effecten te onderzoeken zijn vaak tijdrovend en kostbaar. In dit proefschrift wordt een intelligent raamwerk ontwikkeld dat fysische modellen combineert met artificiële intelligentie. Eerst wordt een model opgesteld dat de warmteontwikkeling, metallurgische veranderingen en evolutie van materiaaleigenschappen tijdens het WAAM-proces beschrijft. Vervolgens worden machinelearningmodellen gebruikt om materiaaleigenschappen te voorspellen en optimale procesparameters te bepalen. Daarnaast worden nieuwe optimalisatie-algoritmen en actieve leerstrategieën ontwikkeld, zodat met een beperkt aantal experimenten betrouwbare voorspellingen en efficiënte procesverbeteringen mogelijk worden. Deze aanpak maakt het WAAM-proces efficiënter, beter beheersbaar en duurzamer. Door sneller inzicht te krijgen in de relatie tussen procesinstellingen en productkwaliteit, kunnen nieuwe producten efficiënter worden ontwikkeld en wordt materiaalverspilling beperkt. Ze vermindert de nood aan kostbare proefreeksen en draagt bij aan een snellere industriële toepassing van geavanceerde metaalprinttechnologieën.
Praktisch
- Datum
- Woensdag 16 september 2026, 16:00
- Locatie
- lokaal 2.3, gebouw Metallurgie, tweede verdieping, Technologiepark Zwijnaarde 46, 9052 Zwijnaarde
- Livestream
- Volg online
Gegevens livestream: meeting ID: 85 038 344 188 347 - paswoord: Hf9xB3fX
Meer info
- Contact
- doctoraat.ea@ugent.be