單道激光熔覆Inconel 625熔覆層尺寸預測

魏文瀾，衛澤兵，郭龍龍,，劉宏亮，曹嘉晨，張益維，渠昊

增材制造

單道激光熔覆Inconel 625熔覆層尺寸預測

魏文瀾1，衛澤兵1，郭龍龍1,2，劉宏亮3，曹嘉晨1，張益維2，渠昊1

（1.西安石油大學 機械工程學院，西安 710065；2.重慶三峽學院 重慶市輕合金材料與加工工程技術研究中心，重慶 404100；3.寶雞石油機械有限責任公司，陜西 寶雞 721002）

準確預測激光熔覆Inconel 625熔覆層尺寸。以送粉速率、掃描速度和激光功率為試驗變量，以熔覆層的寬度和高度為評價指標，結合中心復合試驗設計方法進行試驗設計，開展單道激光熔覆試驗，探究工藝參數對單道熔覆層尺寸的影響規律，并建立以工藝參數為輸入、熔覆層尺寸為輸出的BP神經網絡模型，利用粒子群算法對BP神經網絡模型進行優化，對比分析優化前后模型的預測效果。激光功率對熔覆層寬度的影響最顯著，其次是掃描速度，最后是送粉速率；掃描速度對熔覆層高度的影響最顯著，其次是激光功率，最后是送粉速率；粒子群算法優化BP神經網絡預測模型對熔覆層尺寸的預測精度較高，熔覆層寬度和高度的測量值和預測值之間的平均相對誤差分別為4.238%和2.910%。研究成果可以為激光熔覆Inconel 625熔覆層尺寸的調控和預測提供參考。

激光熔覆；神經網絡；中心復合設計；Inconel 625；熔覆層尺寸

隨著油氣開發不斷向深層、超深地層延伸，含高濃度CO2、H2S等強腐蝕性介質的酸性氣田不斷被開發出來，例如慶深、普光、龍崗、羅家寨氣田等[1-2]。其中井口裝備是油氣田勘探、開發過程中的關鍵設備，應滿足低成本、高可靠性等要求[3]。API 6A–2018標準規定：用于含高濃度CO2、H2S等強腐蝕性介質酸性氣田的井口裝備必須選擇最高耐腐蝕等級的材料，即應滿足HH級要求。可選用的材料為鎳基耐腐蝕合金，包括Inconel 625、Inconel 718等鎳合金[4-5]。但鎳基合金價格為普通鋼材的10倍以上，若全部采用鎳基合金制造設備，成本極高，且在機械加工過程中會有大量熔覆層Inconel 625淪為切屑，造成材料浪費。因此，可將低碳鋼或低合金鋼作為設備基體，利用激光熔覆方法在腐蝕介質能夠接觸到的基體表面堆焊Inconel 625，從而兼顧設備的使用要求與制造成本[6]。

國內外學者已針對激光熔覆Inconel 625的成形質量和影響因素進行了相關探討。Abioye等[7]對比研究了激光熔覆粉末系統和激光熔覆送絲系統制成的激光熔覆Inconel 625熔覆層的表面性能，發現利用激光熔覆Inconel 625粉末系統制成的熔覆層具有更高的表面硬度。Gao等[8]研究了直接激光加工Inconel 625的工藝參數對單層熔覆層幾何特征的影響規律，發現在一定工藝參數范圍內，采用激光直接加工方式可以制備出致密、均勻、無缺陷的Inconel 625熔覆層。劉梅生等[9]利用激光熔覆技術對液壓支架表層進行強化處理，發現激光功率、掃描速度、搭接率等對熔覆層的尺寸、耐腐蝕性能等均有影響。徐慶東等[10]研究指出，激光功率主要影響單道熔覆層的寬度，掃描速度對單道熔覆層尺寸的影響較為顯著。薛永濤等[11]探討了激光功率、掃描速度對Inconel 625熔覆層形貌、宏觀尺寸、稀釋率等指標的影響規律。李進寶等[12]利用Inconel 625球形合金粉末進行了激光直接金屬熔覆成形試驗，對成形參數進行了無量綱化處理，分析了工藝參數與單道熔覆層幾何形貌間的關系。

上述研究探討了工藝參數對熔覆層成形特征參數的影響規律，但尚未建立工藝參數與熔覆層尺寸間的定量模型，無法對不同工藝參數下熔覆層的尺寸進行預測。文中通過分析激光功率、送粉速率、掃描速度與熔覆層寬度、高度之間的關系，探究了工藝參數對熔覆層尺寸的影響規律，建立了工藝參數與熔覆層尺寸之間的粒子群算法優化BP神經網絡模型，實現了對不同工藝參數下熔覆層尺寸的預測。

1 試驗

試驗采用J–1GX–3000P型激光熔覆系統，該系統由激光器、送粉器、數控機床行走機構組成，如圖1所示。保護氣體為高純度氬氣，基體材料為30CrMo鋼，尺寸為200 mm×150 mm×10 mm，待熔覆表面精磨至粗糙度為0.8mm，利用無水乙醇清洗去除表面雜質，冷風吹干后備用。熔覆材料為Inconel 625粉末，粒度范圍為150～200目。30CrMo鋼和Inconel 625粉末的主要化學成分如表1所示。

圖1 激光熔覆系統

表1 30CrMo鋼與Inconel 625主要化學成分

Tab.1 Main chemical compositions of 30CrMo steel and Inconel 625 wt.%

以激光功率、送粉速率和掃描速度為試驗變量、熔覆層的寬度和高度為評價指標，采用中心復合試驗設計方法進行試驗設計，所得試驗參數組合見表2。基于試驗參數組合開展單道激光熔覆試驗，所得單道熔覆層均勻連續，無明顯宏觀缺陷，如圖2a所示。將試驗樣品線切割成50 mm×15 mm×10 mm試塊，對橫截面進行打磨拋光，用體積分數為5%的硝酸酒精腐蝕處理，冷風吹干后用Axio Vert.A1型金相顯微鏡拍攝熔覆層的形貌，如圖2b所示。采用圖像測量分析軟件測量熔覆層幾何尺寸，為減少測量誤差，每組數據測量3次取平均值，測量結果如表2所示。

表2 試驗設計與結果

Tab.2 Experimental design and results

圖2 熔覆層宏觀形貌和截面尺寸

2 結果與分析

2.1 工藝參數對熔覆層寬度的影響

工藝參數的交互作用與熔覆層寬度之間的關系如圖3所示。由圖3a可知，熔覆層的寬度隨著激光功率的增加而增加，這是因為隨著激光功率的增加，單位面積粉末吸收的能量增加，粉末熔化量增加，寬度增加[13]；當激光功率較小時，熔覆層寬度隨送粉速率的增大而減小，這是因為此時能量輸入較小，送粉量增加會使單位質量粉末吸收能量降低，熔化的粉末量降低，熔覆層寬度降低；當激光功率較大時，熔覆層寬度隨著送粉量的增加而增加，這是因為此時能量輸入較大，送出的粉末可以充分熔化，送粉速率的增加使熔化的粉末量增加，寬度增加。由圖3b可知，隨著送粉速率的增加，掃描速度對熔覆層寬度的影響程度逐漸減弱，這是因為送粉速率增加使熔覆層寬度增加，掃描速度增加使單位面積熔化的粉末量減小、寬度降低，作用方向相反的參數同時作用于工藝，導致掃描速度對寬度的影響逐漸減弱。由圖3c可知，熔覆層寬度隨掃描速度的增加而降低，隨激光功率的增加而增加，且可以看出激光功率對熔覆層寬度的影響較大，掃描速度對熔覆層寬度的影響較小。

圖3 工藝參數的交互作用與熔覆層寬度之間的關系

2.2 工藝參數對熔覆層高度的影響

工藝參數的交互作用與熔覆層高度之間的關系如圖4所示。由圖4a可知，當激光功率較小時，熔覆層高度隨送粉速率的增加而增加，這是因為此時能量輸入較小，熔化的粉末由于吸收的能量較低，冷卻速率較快、流動性較差，進而沿高度方向堆積，使高度增加；當激光功率較大時，送粉速率對熔覆層高度的影響逐漸減弱，這是因為激光功率與送粉速率對熔覆層高度的作用效果相反，使送粉速率對高度的影響逐漸減弱；熔覆層高度隨激光功率的增大而增大，這是因為激光功率的增大使能量輸入增加，熔化的粉末量增加，高度隨之增加。由圖4b可知，當掃描速度較小時，熔覆層高度隨送粉速率的增加而增加，這是因為送粉速率的增加使單位面積的粉末量增加，高度增加；當掃描速度較大時，熔覆層高度隨送粉速率的增加而減小，這是因為送粉速率與掃描速度對熔覆層高度的作用效果相反，且掃描速度對高度的影響較大，使高度隨送粉速率的增加而減小。由圖4c可知，掃描速度對熔覆層高度的影響較大，激光功率對熔覆層高度的影響較小。

圖4 工藝參數的交互作用與熔覆層高度之間的關系

2.3 工藝參數標準化效應分析

以熔覆層寬度、高度為響應的標準化效應Pareto圖如圖5所示。結合圖3～5分析顯著因子大小可知，激光功率對熔覆層寬度的影響最顯著，其次是掃描速度，最后是送粉速率。掃描速度對熔覆層高度的影響最顯著，其次是激光功率，最后是送粉速率。

圖5 標準化效應Pareto圖

3 單道熔覆層尺寸模型的構建及優化

3.1 BP神經網絡的構建

BP神經網絡由輸入層、隱含層和輸出層構成[14]，BP神經網絡基本結構圖如圖6所示。文中以送粉速率、掃描速度和激光功率為神經網絡輸入、熔覆層寬度和高度為輸出，構建神經網絡，因此網絡的輸入節點個數為3，輸出節點個數為2。隱含層節點數的選取對網絡的擬合和預測精度有著顯著影響，目前理論上還不存在一種科學普遍的用于確定隱含層節點數目的方法，但隱含層節點數目的確定遵循一條基本原則：在滿足網絡精度的前提下，選取較少的節點數目。故借助經驗公式（1）和多次試驗確定最佳隱含層節點數為9。

圖6 BP神經網絡基本結構圖

式中：為隱含層節點數；為0～10之間的整數。

為提高神經網絡的泛化能力，避免發生過擬合，采用3×9×2單隱含層結構。隱含層和輸出層分別采用tansig和purelin函數，訓練函數采用LM算法trainlm函數，網絡最大訓練次數為1 000，學習速率為0.01，訓練目標為0.001。為避免不同量綱導致模型擬合度差或無法收斂，將數據歸一化至[?1,1][15]。

3.2 粒子群算法優化BP神經網絡

粒子群優化算法（PSO）源于對鳥群覓食行為的研究，其基本思想是通過群體中個體之間的協作和信息共享來尋找最優解，是一種基于迭代的優化算法[16-17]。粒子群優化算法將神經網絡各層權值閾值編碼為粒子，通過不斷更新粒子自身速度和位置確定最優粒子[18-19]，從而確定最優權值閾值進行網絡訓練和預測。

粒子群算法優化BP神經網絡（記為PSO–BP）的基本流程如下：（1）確定神經網絡結構、傳遞函數、拓撲結構單元節點個數以及訓練次數、學習速率、訓練目標最小誤差等參數，初始化神經網絡權值閾值；（2）初始化粒子群，設定粒子初始速度最小值min和最大值max、初始位置最大值max和最小值min、迭代次數、慣性權重、種群規模、初始化學習因子1和2等，將權值閾值表征為粒子；（3）通過適應度函數比較均方誤差，確定個體和全局最佳適應度值；（4）迭代尋優，根據速度范圍和坐標范圍更新粒子速度和位置，計算新粒子的適應度值，依據是否滿足精度或者達到最大迭代次數得到個體和全局最優適應度值；（5）將最優權值閾值賦予神經網絡進行擬合預測。

為粒子搜索的空間維數，即自變量的個數，粒子群算法將神經網絡權值閾值編碼為粒子，故依據式（2）確定粒子維度為56，其中和分別為隱含層和輸出層的閾值個數，為輸入層與隱含層之間的權值個數，為隱含層與輸出層之間的權值個數。設置學習因子1和2均為2.0、迭代次數為100、種群規模為50、速度最小值min為?1、速度最大值max為1、位置坐標最大值max為5、位置坐標最小值min為?5、慣性權值最小值min為0.4、慣性權值最大值max為0.9。模型在MATLAB 2018b環境下運行。

3.3 PSO–BP模型的訓練及預測

隨機選取1、3、8組數據為測試集進行網絡預測、其余13組數據為訓練集進行網絡訓練。圖7a為13組訓練集熔覆層尺寸測量值和擬合值比較圖，圖7b為13組訓練集熔覆層尺寸的擬合相對誤差。由圖7a可以看出，訓練集測量值與擬合值之間的絕對誤差較小；由圖7b可以看出，熔覆層寬度和高度的測量值和擬合值之間的相對誤差基本維持在2%和5%左右。由表3可以看出，熔覆層寬度和高度的測量值和預測值之間的平均相對誤差分別為4.238%和2.910%。結果表明，該粒子群優化的神經網絡模型對工藝參數與熔覆層尺寸之間的非線性映射能力較強，且神經網絡模型對激光熔覆Inconel 625熔覆層尺寸具有良好的預測作用，預測精度和可靠性較高。

圖7 訓練集熔覆層尺寸和相對誤差

表3 測試集相對誤差

Tab.3 Relative errors of test sets %

4 討論

單道熔覆層尺寸對單層多道和多層多道激光熔覆工藝有著顯著影響，因此神經網絡模型對熔覆層尺寸的預測應具有較高的精度。傳統BP神經網絡對初始權值閾值非常敏感，易使網絡陷入局部極值導致訓練失敗[20-21]。文中利用粒子群算法優化BP神經網絡權值閾值，在一定程度上可以避免神經網絡陷入局部極值[22-23]，進而提高BP神經網絡的預測精度[24-25]。

將PSO–BP神經網絡測試集預測相對誤差與未優化前的傳統BP神經網絡測試集的預測相對誤差進行比較，如表4所示。2種模型的BP算法參數設置相同。

表4 2種模型測試集預測相對誤差比較

Tab.4 Comparison of prediction relative errors of two model test sets %

比較2種模型的預測結果可以看出，PSO–BP神經網絡模型測試集的預測相對誤差較低，PSO–BP神經網絡模型的預測精度比BP網絡模型的預測精度高，表明該PSO–BP神經網絡對熔覆層尺寸的預測可靠性較高。

5 結論

1）激光功率對熔覆層寬度的影響最顯著，其次是掃描速度，最后是送粉速率；掃描速度對熔覆層高度的影響最顯著，其次是激光功率，最后是送粉速率。

2）以送粉速率、掃描速度和激光功率為輸入、以熔覆層寬度和高度為輸出的PSO–BP神經網絡模型對熔覆層尺寸的預測精度較高，熔覆層寬度和高度的測量值和預測值之間的平均相對誤差分別為4.238%和2.910%。

3）將PSO–BP神經網絡與傳統BP神經網絡模型的預測結果進行比較，結果表明，PSO–BP神經網絡模型的預測精度和可靠性較高。

[1] MO Y, WANG D Z, JIANG B, et al. Influences of Grain Size on Electrochemical Corrosion Behaviors of Nickel-Based Alloy 718[J]. Materials Science Forum, 2016, 852: 105-112.

[2] 趙國仙, 祝恒倩. 鎳基合金718在H2S/CO2環境中的腐蝕行為研究[J]. 腐蝕科學與防護技術, 2019, 31(3): 291-296.

ZHAO Guo-xian, ZHU Heng-qian. Corrosion Behavior of Nickel-Based Alloy 718 in Simulated H2S/CO2Environments[J]. Corrosion Science and Protection Technology, 2019, 31(3): 291-296.

[3] 金弢, 王定亞. 井口裝置技術研究及發展建議[J]. 石油礦場機械, 2014, 43(1): 14-16.

JIN Tao, WANG Ding-ya. Technology Research and Development Suggestion of Wellhead Equipment[J]. Oil Field Equipment, 2014, 43(1): 14-16.

[4] 賀海軍, 徐德奎, 馬文海, 等. 大慶深層氣完井管柱CO2腐蝕防護技術[J]. 石油管材與儀器, 2016, 2(4): 35-38.

HE Hai-jun, XU De-kui, MA Wen-hai, et al. CO2Corrosion Protection Technology for Deep Gas Well Completion Pipe in Daqing[J]. Petroleum Tubular Goods & Instruments, 2016, 2(4): 35-38.

[5] 郭龍龍.脈沖TIG堆焊Inconel 625工藝及堆焊層組織性能研究[D]. 成都: 西南石油大學, 2017: 1-8.

GUO Long-long. Study on Process, Microstructure and Performance of Inconel 625 Cladding Layer Deposited Using Pulsed TIG[D]. Chengdu: Southwest Petroleum University, 2017: 1-8.

[6] 王志明, 郭建永, 王卓, 等. 激光熔覆涂層摩擦磨損性能的研究進展[J]. 材料保護, 2019, 52(10): 127-133.

WANG Zhi-ming, GUO Jian-yong, WANG Zhuo, et al. Research Progress on Friction and Wear Resistance of Laser Cladding Coatings[J]. Materials Protection, 2019, 52(10): 127-133.

[7] ABIOYE T E, FARAYIBI P K, CLARE A T. A Comparative Study of Inconel 625 Laser Cladding by Wire and Powder Feedstock[J]. Materials & Manufacturing Processes, 2017: 10422017-10426914.

[8] GAO S Y, ZHOU Y F, XI M Z. Investigation on Inconel 625 Alloy Thin-Walled Parts by Direct Laser Fabrication[J]. Advanced Materials Research, 2011, 189: 3687-3691.

[9] 劉梅生, 黎文強. 影響激光熔覆層質量因素的研究[J]. 煤礦機械, 2019, 40(7): 52-54.

LIU Mei-sheng, LI Wen-qiang. Research on Factors Affecting Quality of Laser Cladding Layer[J]. Coal Mine Machinery, 2019, 40(7): 52-54.

[10] 徐慶東, 王述鋼, 樂國敏, 等. 激光成形修復Inconel 625合金的工藝特性和組織研究[J]. 稀有金屬材料與工程, 2019, 48(5): 1598-1604.

XU Qing-dong, WANG Shu-gang, LE Guo-min, et al. Process Parameters and Microstructure of Laser Forming Repaired Inconel 625 Alloy[J]. Rare Metal Materials and Engineering, 2019, 48(5): 1598-1604.

[11] 薛永濤, 石玗, 朱明, 等. 半導體激光熔覆Inconel 625粉末及其組織性能分析[J]. 電焊機, 2018, 48(4): 23-27.

XUE Yong-tao, SHI Yu, ZHU Ming, et al. Analysis of Microstructure and Properties of Inconel 625 Power Cladded by Semiconductor Laser[J]. Electric Welding Machine, 2018, 48(4): 23-27.

[12] 李進寶, 商碩, 孫有政, 等. Inconel 625激光直接金屬沉積成形參數無量綱化及其對單道幾何形貌的影響[J]. 中國激光, 2017, 44(3): 127-135.

LI Jin-bao, SHANG Shuo, SUN You-zheng, et al. Parameter Nondimensionalization in Laser Direct Metal Deposition Formation of Inconel 625 and Its Influence on Single Track Geometric Morphology[J]. Chinese Journal of Lasers, 2017, 44(3): 127-135.

[13] 胡文全, 遲長志. 合金粉末對42CrMo中頻熔敷層硬度及耐磨性的影響[J]. 熱加工工藝, 2011, 40(24): 166-168.

HU Wen-quan, CHI Chang-zhi. Effects of Alloy Powder on Hardness and Wear Resistance of Medium-Fre-quency Induction Deposit Coating on 42CrMo[J]. Hot Working Technology, 2011, 40(24): 166-168.

[14] 牛江川, 韓利濤, 李素娟, 等. 基于PSO-BP神經網絡的盾構刀具配置研究[J]. 機械工程學報, 2018, 54(10): 167-172.

NIU Jiang-chuan, HAN Li-tao, LI Su-juan, et al. Research on Shield Cutting Tool Configuration Based on PSO-BP Neural Network[J]. Journal of Mechanical Engineering, 2018, 54(10): 167-172.

[15] 譚顯勝, 周鐵軍. BP算法改進方法的研究進展[J]. 懷化學院學報, 2006(2): 126-130.

TAN Xian-sheng, ZHOU Tie-jun. Methods to Improve BP Neural Network[J]. Journal of Huaihua University, 2006(2): 126-130.

[16] LIU X H, TIAN J Y, LI B, et al. Pressure Prediction Model in Transition Ladle Based on Adaptive PSO-BP Neural Network[J]. Journal of Physics: Conference Series, 2022, 2170(1): 012009.

[17] LI Y Q, ZHOU L, GAO P Q, et al. Short-Term Power Generation Forecasting of a Photovoltaic Plant Based on PSO-BP and GA-BP Neural Networks[J]. Frontiers in Energy Research, 2022, 9: 824691.

[18] 丁鳳娟, 賈向東, 洪騰蛟, 等. 基于GA-BP和PSO-BP神經網絡的6061鋁合金板材流變應力預測模型[J]. 稀有金屬材料與工程, 2020, 49(6): 1840-1853.

DING Feng-juan, JIA Xiang-dong, HONG Teng-jiao, et al. Flow Stress Prediction Model of 6061 Aluminum Alloy Sheet Based on GA-BP and PSO-BP Neural Networks[J]. Rare Metal Materials and Engineering, 2020, 49(6): 1840-1853.

[19] CHEN X M, NIE L Y, HU H W, et al. High-Temperature Deformation Characteristics and Constitutive Models of Inconel 625 Superalloy[J]. Materials Today Communications, 2022, 32: 103855.

[20] 孫艷文, 詹天明. 基于優化BP神經網絡的銷售預測算法研究[J]. 計算機技術與發展, 2022, 32(1): 35-39.

SUN Yan-wen, ZHAN Tian-ming. Research on Sales Forecasting Based on Improved BP Neural Network[J]. Computer Technology and Development, 2022, 32(1): 35-39.

[21] 林虹江, 周步祥, 冉伊, 等. 基于遺傳優化BP神經網絡算法的光伏系統最大功率點跟蹤研究[J]. 電測與儀表, 2015, 52(5): 35-40.

LIN Hong-jiang, ZHOU Bu-xiang, RAN Yi, et al. Research on the Maximum Power Point Tracking of the Photovoltaic System Based on the Genetic Optimization BP Neural Network Algorithm[J]. Electrical Measurement & Instrumentation, 2015, 52(5): 35-40.

[22] CHENG R, JIN Y C. A Social Learning Particle Swarm Optimization Algorithm for Scalable Optimization[J]. Information Sciences, 2015, 291: 43-60.

[23] 洪權, 李振文, 熊尚峰, 等. 一種基于粒子群算法的電力系統穩定器現場參數整定方法[J]. 湖南電力, 2015, 35(4): 6-8.

HONG Quan, LI Zhen-wen, XIONG Shang-feng, et al. Aon Feld Parameter Sting Method for Power System Stabilizer Based on Particle Swarm Optimization[J]. Hunan Electric Power, 2015, 35(4): 6-8.

[24] 任圓圓. 粒子群優化BP神經網絡算法在公路形變預測中的應用分析[J]. 電子測量技術, 2020, 43(12): 80-84.

REN Yuan-yuan. Application Analysis of Particle Swarm Optimization BP Neural Network Algorithm in Highway Deformation Prediction[J]. Electronic Measurement Technology, 2020, 43(12): 80-84.

[25] 鄒倩穎, 王小芳. 粒子群優化BP神經網絡在步態識別中的研究[J]. 實驗技術與管理, 2019, 36(8): 130-133.

ZOU Qian-ying, WANG Xiao-fang. Application of BP Neural Network Based on Particle Swarm Optimization in Gait Recognition[J]. Experimental Technology and Management, 2019, 36(8): 130-133.

Prediction of Size for Single Pass Inconel 625 Clads Deposited by Laser Cladding

WEI Wen-lan1, WEI Ze-bing1, GUO Long-long1,2, LIU Hong-liang3, CAO Jia-chen1, ZHANG Yi-wei2,QU Hao1

(1. School of Mechanical Engineering, Xi'an Shiyou University, Xi'an 710065, China; 2. Chongqing Engineering Technology Research Center for Light Alloy and Processing, Chongqing Three Gorges University, Chongqing 404100, China; 3. Baoji Oilfield Machinery Co., Ltd., Shaanxi Baoji 721002, China)

The work aims to accurately predict the size of cladding layer of Inconel 625 laser cladding. With powder feeding rate, scanning speed and laser power as the test variables, and width and height of the cladding layer as the evaluation indicators, combined with the center composite experimental design method, the experimental design was carried out, and the single-channel laser cladding test was carried out, the effect law of process parameters on the size of single cladding layer was explored. The BP neural network model was established with the process parameters as the input and the size of the cladding layer as the output. The particle swarm algorithm was used to optimize the BP neural network, and the prediction effect of the model before and after the optimization was compared and analyzed. The laser power had the most significant effect on the width of the cladding layer, followed by the scanning speed, and finally the powder feeding rate. The scanning speed has the most significant effect on the height of the cladding layer, followed by the laser power and finally the powder feeding rate. The BP neural network prediction model optimized by particle swarm optimization had high prediction accuracy for size of cladding layer. The average relative errors between the measured and predicted widths and heights of cladding layer were 4.238% and 2.910% respectively. The research results can provide reference for size regulation and prediction of cladding layer of Inconel 625 laser cladding.

laser cladding; neural network; central composite design; Inconel 625; cladding layer size

10.3969/j.issn.1674-6457.2022.09.015

TG455

A

1674-6457(2022)09-0104-07

2022–04–11

重慶市輕合金材料與加工工程技術研究中心開放基金（GCZX202001）；陜西省自然科學基礎研究計劃（2020JQ– 780）；國家自然科學基金青年項目（51901180）

魏文瀾（1988—），男，博士，講師，主要研究方向為材料服役安全理論。

郭龍龍（1988—），男，博士，講師，主要研究方向為石油天然氣裝備表面改性與再制造、焊接數值模擬。

責任編輯：蔣紅晨