---
title: "Maschinelles Lernen prognostiziert die Leistung von 3D-gedrucktem Ti6Al4V"
url: https://www.voxelmatters.com/de/maschinelles-lernen-prognostiziert-die-leistung-von-3d-gedrucktem-ti6al4v/
date: 2025-08-11
modified: 2025-08-11
lang: de
author: "Edward Wakefield"
description: "Forscher der South China University of Technology haben kürzlich einen Artikel in Frontiers of Mechanical Engineering veröffentlicht, in dem sie einen datengesteuerten Ansatz auf Basis von Stacking Ensemble Learning vorschlagen,..."
categories:
  - "Additive Fertigung von Metallen"
  - "AM-Forschung"
  - "AM-Software"
  - "Künstliche Intelligenz"
tags:
  - "future"
image: https://www.voxelmatters.com/wp-content/uploads/2025/08/1-1.webp
word_count: 298
---

# Maschinelles Lernen prognostiziert die Leistung von 3D-gedrucktem Ti6Al4V

Forscher der South China University of Technology haben kürzlich einen [Artikel in Frontiers of Mechanical Engineering veröffentlicht,](https://link.springer.com/article/10.1007/s11465-024-0796-0) in dem sie einen datengesteuerten Ansatz auf Basis von Stacking Ensemble Learning vorschlagen, um die mechanischen Eigenschaften von Ti6Al4V-Legierungen vorherzusagen, die durch [großflächige Laser-Pulverbett-Fusion (LPBF)](https://www.voxelmatters.com/tekna-receives-cad-1-6-million-order-of-lpbf-titanium-powder/) hergestellt wurden.

[Bei der Herstellung von Ti6Al4V-Teilen mittels LPBF](https://www.voxelmatters.com/fotec-integrates-am-into-industrial-process-chains/) sind zahlreiche Parameter miteinander in Wechselwirkung, was die Bestimmung geeigneter Parameter erschwert. Maschinelle Lernverfahren können dieses Problem lösen, aber einzelne Modelle haben Schwierigkeiten, komplexe Zusammenhänge zu erfassen. In dieser Studie werden Stacking-Modelle angewendet, die die Vorteile mehrerer Modelle kombinieren, um die Leistung zu verbessern, um die mechanischen Eigenschaften der Ti6Al4V-Legierung im Bereich der additiven Fertigung vorherzusagen.

[Sphärisches Ti6Al4V-Pulver](https://www.voxelmatters.com/hoganas-offers-ti6al4v-3d-printing-capabilities-digital-metal-technology/)[![Researchers from South China University of Technology use machine learning to predict 3D printed Ti6Al4V performance. ](https://www.voxelmatters.com/wp-content/uploads/2025/08/image-23.png)](https://www.voxelmatters.com/hoganas-offers-ti6al4v-3d-printing-capabilities-digital-metal-technology/)

wurde verwendet, um Zugproben auf einer speziellen LPBF-Anlage herzustellen. Die Parameterbereiche für Laserleistung, Scangeschwindigkeit und Schraffurabstand wurden festgelegt, und durch orthogonale Array-Experimente wurden 64 Parameterkombinationen ermittelt. Algorithmen wie ANN, ENet, KRR, GBR und Lasso wurden verwendet, um ein Stapelmodell zur Vorhersage der Zugfestigkeit zu erstellen. Zur Optimierung des Modells wurden Bayes'sche Optimierung und Kreuzvalidierung verwendet, und zur Bewertung seiner Leistung wurden mehrere Metriken angewendet.

Die Analyse des Pearson-Korrelationskoeffizienten ergab, dass die Scangeschwindigkeit den größten Einfluss auf die Zugfestigkeit hat, gefolgt von der Laserleistung, während der Hachtoffset den geringsten Einfluss hat. Nach der Optimierung wurde die optimale Kombination von Basismodellen für das Stapelmodell ermittelt. Die Trainings- und Testergebnisse zeigen, dass das Stapelmodell eine höhere Vorhersagegenauigkeit und eine stärkere Stabilität als das ANN-Modell aufweist und die komplexen Beziehungen zwischen den Prozessparametern und der Zugfestigkeit besser erfasst.

Das vorgeschlagene Stapel-Ensemble-Lernmodell der South China University of Technology bietet einen effektiven Rahmen für die Vorhersage der Zugfestigkeit von Ti6Al4V-Legierungen, die mit großtechnischem LPBF hergestellt werden. Diese Studie ermittelt den Einflussgrad der Schlüsselparameter, validiert die Vorteile des Stapelmodells in mehrfacher Hinsicht und bietet eine zuverlässige Methode zur Vorhersage der mechanischen Eigenschaften von [Metallteilen im LPBF-Prozess](https://www.voxelmatters.com/de/voxelmatters-metal-am-focus-2024-ebook/).