单道激光熔覆Inconel 625熔覆层尺寸预测

魏文澜，卫泽兵，郭龙龙,，刘宏亮，曹嘉晨，张益维，渠昊

增材制造

单道激光熔覆Inconel 625熔覆层尺寸预测

魏文澜1，卫泽兵1，郭龙龙1,2，刘宏亮3，曹嘉晨1，张益维2，渠昊1

（1.西安石油大学 机械工程学院，西安 710065；2.重庆三峡学院 重庆市轻合金材料与加工工程技术研究中心，重庆 404100；3.宝鸡石油机械有限责任公司，陕西 宝鸡 721002）

准确预测激光熔覆Inconel 625熔覆层尺寸。以送粉速率、扫描速度和激光功率为试验变量，以熔覆层的宽度和高度为评价指标，结合中心复合试验设计方法进行试验设计，开展单道激光熔覆试验，探究工艺参数对单道熔覆层尺寸的影响规律，并建立以工艺参数为输入、熔覆层尺寸为输出的BP神经网络模型，利用粒子群算法对BP神经网络模型进行优化，对比分析优化前后模型的预测效果。激光功率对熔覆层宽度的影响最显著，其次是扫描速度，最后是送粉速率；扫描速度对熔覆层高度的影响最显著，其次是激光功率，最后是送粉速率；粒子群算法优化BP神经网络预测模型对熔覆层尺寸的预测精度较高，熔覆层宽度和高度的测量值和预测值之间的平均相对误差分别为4.238%和2.910%。研究成果可以为激光熔覆Inconel 625熔覆层尺寸的调控和预测提供参考。

激光熔覆；神经网络；中心复合设计；Inconel 625；熔覆层尺寸

随着油气开发不断向深层、超深地层延伸，含高浓度CO2、H2S等强腐蚀性介质的酸性气田不断被开发出来，例如庆深、普光、龙岗、罗家寨气田等[1-2]。其中井口装备是油气田勘探、开发过程中的关键设备，应满足低成本、高可靠性等要求[3]。API 6A–2018标准规定：用于含高浓度CO2、H2S等强腐蚀性介质酸性气田的井口装备必须选择最高耐腐蚀等级的材料，即应满足HH级要求。可选用的材料为镍基耐腐蚀合金，包括Inconel 625、Inconel 718等镍合金[4-5]。但镍基合金价格为普通钢材的10倍以上，若全部采用镍基合金制造设备，成本极高，且在机械加工过程中会有大量熔覆层Inconel 625沦为切屑，造成材料浪费。因此，可将低碳钢或低合金钢作为设备基体，利用激光熔覆方法在腐蚀介质能够接触到的基体表面堆焊Inconel 625，从而兼顾设备的使用要求与制造成本[6]。

国内外学者已针对激光熔覆Inconel 625的成形质量和影响因素进行了相关探讨。Abioye等[7]对比研究了激光熔覆粉末系统和激光熔覆送丝系统制成的激光熔覆Inconel 625熔覆层的表面性能，发现利用激光熔覆Inconel 625粉末系统制成的熔覆层具有更高的表面硬度。Gao等[8]研究了直接激光加工Inconel 625的工艺参数对单层熔覆层几何特征的影响规律，发现在一定工艺参数范围内，采用激光直接加工方式可以制备出致密、均匀、无缺陷的Inconel 625熔覆层。刘梅生等[9]利用激光熔覆技术对液压支架表层进行强化处理，发现激光功率、扫描速度、搭接率等对熔覆层的尺寸、耐腐蚀性能等均有影响。徐庆东等[10]研究指出，激光功率主要影响单道熔覆层的宽度，扫描速度对单道熔覆层尺寸的影响较为显著。薛永涛等[11]探讨了激光功率、扫描速度对Inconel 625熔覆层形貌、宏观尺寸、稀释率等指标的影响规律。李进宝等[12]利用Inconel 625球形合金粉末进行了激光直接金属熔覆成形试验，对成形参数进行了无量纲化处理，分析了工艺参数与单道熔覆层几何形貌间的关系。

上述研究探讨了工艺参数对熔覆层成形特征参数的影响规律，但尚未建立工艺参数与熔覆层尺寸间的定量模型，无法对不同工艺参数下熔覆层的尺寸进行预测。文中通过分析激光功率、送粉速率、扫描速度与熔覆层宽度、高度之间的关系，探究了工艺参数对熔覆层尺寸的影响规律，建立了工艺参数与熔覆层尺寸之间的粒子群算法优化BP神经网络模型，实现了对不同工艺参数下熔覆层尺寸的预测。

1 试验

试验采用J–1GX–3000P型激光熔覆系统，该系统由激光器、送粉器、数控机床行走机构组成，如图1所示。保护气体为高纯度氩气，基体材料为30CrMo钢，尺寸为200 mm×150 mm×10 mm，待熔覆表面精磨至粗糙度为0.8mm，利用无水乙醇清洗去除表面杂质，冷风吹干后备用。熔覆材料为Inconel 625粉末，粒度范围为150～200目。30CrMo钢和Inconel 625粉末的主要化学成分如表1所示。

图1 激光熔覆系统

表1 30CrMo钢与Inconel 625主要化学成分

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

以激光功率、送粉速率和扫描速度为试验变量、熔覆层的宽度和高度为评价指标，采用中心复合试验设计方法进行试验设计，所得试验参数组合见表2。基于试验参数组合开展单道激光熔覆试验，所得单道熔覆层均匀连续，无明显宏观缺陷，如图2a所示。将试验样品线切割成50 mm×15 mm×10 mm试块，对横截面进行打磨抛光，用体积分数为5%的硝酸酒精腐蚀处理，冷风吹干后用Axio Vert.A1型金相显微镜拍摄熔覆层的形貌，如图2b所示。采用图像测量分析软件测量熔覆层几何尺寸，为减少测量误差，每组数据测量3次取平均值，测量结果如表2所示。

表2 试验设计与结果

Tab.2 Experimental design and results

图2 熔覆层宏观形貌和截面尺寸

2 结果与分析

2.1 工艺参数对熔覆层宽度的影响

工艺参数的交互作用与熔覆层宽度之间的关系如图3所示。由图3a可知，熔覆层的宽度随着激光功率的增加而增加，这是因为随着激光功率的增加，单位面积粉末吸收的能量增加，粉末熔化量增加，宽度增加[13]；当激光功率较小时，熔覆层宽度随送粉速率的增大而减小，这是因为此时能量输入较小，送粉量增加会使单位质量粉末吸收能量降低，熔化的粉末量降低，熔覆层宽度降低；当激光功率较大时，熔覆层宽度随着送粉量的增加而增加，这是因为此时能量输入较大，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，宽度增加。由图3b可知，随着送粉速率的增加，扫描速度对熔覆层宽度的影响程度逐渐减弱，这是因为送粉速率增加使熔覆层宽度增加，扫描速度增加使单位面积熔化的粉末量减小、宽度降低，作用方向相反的参数同时作用于工艺，导致扫描速度对宽度的影响逐渐减弱。由图3c可知，熔覆层宽度随扫描速度的增加而降低，随激光功率的增加而增加，且可以看出激光功率对熔覆层宽度的影响较大，扫描速度对熔覆层宽度的影响较小。

图3 工艺参数的交互作用与熔覆层宽度之间的关系

2.2 工艺参数对熔覆层高度的影响

工艺参数的交互作用与熔覆层高度之间的关系如图4所示。由图4a可知，当激光功率较小时，熔覆层高度随送粉速率的增加而增加，这是因为此时能量输入较小，熔化的粉末由于吸收的能量较低，冷却速率较快、流动性较差，进而沿高度方向堆积，使高度增加；当激光功率较大时，送粉速率对熔覆层高度的影响逐渐减弱，这是因为激光功率与送粉速率对熔覆层高度的作用效果相反，使送粉速率对高度的影响逐渐减弱；熔覆层高度随激光功率的增大而增大，这是因为激光功率的增大使能量输入增加，熔化的粉末量增加，高度随之增加。由图4b可知，当扫描速度较小时，熔覆层高度随送粉速率的增加而增加，这是因为送粉速率的增加使单位面积的粉末量增加，高度增加；当扫描速度较大时，熔覆层高度随送粉速率的增加而减小，这是因为送粉速率与扫描速度对熔覆层高度的作用效果相反，且扫描速度对高度的影响较大，使高度随送粉速率的增加而减小。由图4c可知，扫描速度对熔覆层高度的影响较大，激光功率对熔覆层高度的影响较小。

图4 工艺参数的交互作用与熔覆层高度之间的关系

2.3 工艺参数标准化效应分析

以熔覆层宽度、高度为响应的标准化效应Pareto图如图5所示。结合图3～5分析显著因子大小可知，激光功率对熔覆层宽度的影响最显著，其次是扫描速度，最后是送粉速率。扫描速度对熔覆层高度的影响最显著，其次是激光功率，最后是送粉速率。

图5 标准化效应Pareto图

3 单道熔覆层尺寸模型的构建及优化

3.1 BP神经网络的构建

BP神经网络由输入层、隐含层和输出层构成[14]，BP神经网络基本结构图如图6所示。文中以送粉速率、扫描速度和激光功率为神经网络输入、熔覆层宽度和高度为输出，构建神经网络，因此网络的输入节点个数为3，输出节点个数为2。隐含层节点数的选取对网络的拟合和预测精度有着显著影响，目前理论上还不存在一种科学普遍的用于确定隐含层节点数目的方法，但隐含层节点数目的确定遵循一条基本原则：在满足网络精度的前提下，选取较少的节点数目。故借助经验公式（1）和多次试验确定最佳隐含层节点数为9。

图6 BP神经网络基本结构图

式中：为隐含层节点数；为0～10之间的整数。

为提高神经网络的泛化能力，避免发生过拟合，采用3×9×2单隐含层结构。隐含层和输出层分别采用tansig和purelin函数，训练函数采用LM算法trainlm函数，网络最大训练次数为1 000，学习速率为0.01，训练目标为0.001。为避免不同量纲导致模型拟合度差或无法收敛，将数据归一化至[−1,1][15]。

3.2 粒子群算法优化BP神经网络

粒子群优化算法（PSO）源于对鸟群觅食行为的研究，其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解，是一种基于迭代的优化算法[16-17]。粒子群优化算法将神经网络各层权值阈值编码为粒子，通过不断更新粒子自身速度和位置确定最优粒子[18-19]，从而确定最优权值阈值进行网络训练和预测。

粒子群算法优化BP神经网络（记为PSO–BP）的基本流程如下：（1）确定神经网络结构、传递函数、拓扑结构单元节点个数以及训练次数、学习速率、训练目标最小误差等参数，初始化神经网络权值阈值；（2）初始化粒子群，设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、迭代次数、惯性权重、种群规模、初始化学习因子1和2等，将权值阈值表征为粒子；（3）通过适应度函数比较均方误差，确定个体和全局最佳适应度值；（4）迭代寻优，根据速度范围和坐标范围更新粒子速度和位置，计算新粒子的适应度值，依据是否满足精度或者达到最大迭代次数得到个体和全局最优适应度值；（5）将最优权值阈值赋予神经网络进行拟合预测。

为粒子搜索的空间维数，即自变量的个数，粒子群算法将神经网络权值阈值编码为粒子，故依据式（2）确定粒子维度为56，其中和分别为隐含层和输出层的阈值个数，为输入层与隐含层之间的权值个数，为隐含层与输出层之间的权值个数。设置学习因子1和2均为2.0、迭代次数为100、种群规模为50、速度最小值min为−1、速度最大值max为1、位置坐标最大值max为5、位置坐标最小值min为−5、惯性权值最小值min为0.4、惯性权值最大值max为0.9。模型在MATLAB 2018b环境下运行。

3.3 PSO–BP模型的训练及预测

随机选取1、3、8组数据为测试集进行网络预测、其余13组数据为训练集进行网络训练。图7a为13组训练集熔覆层尺寸测量值和拟合值比较图，图7b为13组训练集熔覆层尺寸的拟合相对误差。由图7a可以看出，训练集测量值与拟合值之间的绝对误差较小；由图7b可以看出，熔覆层宽度和高度的测量值和拟合值之间的相对误差基本维持在2%和5%左右。由表3可以看出，熔覆层宽度和高度的测量值和预测值之间的平均相对误差分别为4.238%和2.910%。结果表明，该粒子群优化的神经网络模型对工艺参数与熔覆层尺寸之间的非线性映射能力较强，且神经网络模型对激光熔覆Inconel 625熔覆层尺寸具有良好的预测作用，预测精度和可靠性较高。

图7 训练集熔覆层尺寸和相对误差

表3 测试集相对误差

Tab.3 Relative errors of test sets %

4 讨论

单道熔覆层尺寸对单层多道和多层多道激光熔覆工艺有着显著影响，因此神经网络模型对熔覆层尺寸的预测应具有较高的精度。传统BP神经网络对初始权值阈值非常敏感，易使网络陷入局部极值导致训练失败[20-21]。文中利用粒子群算法优化BP神经网络权值阈值，在一定程度上可以避免神经网络陷入局部极值[22-23]，进而提高BP神经网络的预测精度[24-25]。

将PSO–BP神经网络测试集预测相对误差与未优化前的传统BP神经网络测试集的预测相对误差进行比较，如表4所示。2种模型的BP算法参数设置相同。

表4 2种模型测试集预测相对误差比较

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

比较2种模型的预测结果可以看出，PSO–BP神经网络模型测试集的预测相对误差较低，PSO–BP神经网络模型的预测精度比BP网络模型的预测精度高，表明该PSO–BP神经网络对熔覆层尺寸的预测可靠性较高。

5 结论

1）激光功率对熔覆层宽度的影响最显著，其次是扫描速度，最后是送粉速率；扫描速度对熔覆层高度的影响最显著，其次是激光功率，最后是送粉速率。

2）以送粉速率、扫描速度和激光功率为输入、以熔覆层宽度和高度为输出的PSO–BP神经网络模型对熔覆层尺寸的预测精度较高，熔覆层宽度和高度的测量值和预测值之间的平均相对误差分别为4.238%和2.910%。

3）将PSO–BP神经网络与传统BP神经网络模型的预测结果进行比较，结果表明，PSO–BP神经网络模型的预测精度和可靠性较高。

[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] 赵国仙, 祝恒倩. 镍基合金718在H2S/CO2环境中的腐蚀行为研究[J]. 腐蚀科学与防护技术, 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, 王定亚. 井口装置技术研究及发展建议[J]. 石油矿场机械, 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] 贺海军, 徐德奎, 马文海, 等. 大庆深层气完井管柱CO2腐蚀防护技术[J]. 石油管材与仪器, 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] 郭龙龙.脉冲TIG堆焊Inconel 625工艺及堆焊层组织性能研究[D]. 成都: 西南石油大学, 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. 激光熔覆涂层摩擦磨损性能的研究进展[J]. 材料保护, 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] 刘梅生, 黎文强. 影响激光熔覆层质量因素的研究[J]. 煤矿机械, 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] 徐庆东, 王述钢, 乐国敏, 等. 激光成形修复Inconel 625合金的工艺特性和组织研究[J]. 稀有金属材料与工程, 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] 薛永涛, 石玗, 朱明, 等. 半导体激光熔覆Inconel 625粉末及其组织性能分析[J]. 电焊机, 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] 李进宝, 商硕, 孙有政, 等. Inconel 625激光直接金属沉积成形参数无量纲化及其对单道几何形貌的影响[J]. 中国激光, 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, 迟长志. 合金粉末对42CrMo中频熔敷层硬度及耐磨性的影响[J]. 热加工工艺, 2011, 40(24): 166-168.

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

[14] 牛江川, 韩利涛, 李素娟, 等. 基于PSO-BP神经网络的盾构刀具配置研究[J]. 机械工程学报, 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] 谭显胜, 周铁军. BP算法改进方法的研究进展[J]. 怀化学院学报, 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] 丁凤娟, 贾向东, 洪腾蛟, 等. 基于GA-BP和PSO-BP神经网络的6061铝合金板材流变应力预测模型[J]. 稀有金属材料与工程, 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] 孙艳文, 詹天明. 基于优化BP神经网络的销售预测算法研究[J]. 计算机技术与发展, 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. 基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究[J]. 电测与仪表, 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] 洪权, 李振文, 熊尚峰, 等. 一种基于粒子群算法的电力系统稳定器现场参数整定方法[J]. 湖南电力, 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] 任圆圆. 粒子群优化BP神经网络算法在公路形变预测中的应用分析[J]. 电子测量技术, 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] 邹倩颖, 王小芳. 粒子群优化BP神经网络在步态识别中的研究[J]. 实验技术与管理, 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

重庆市轻合金材料与加工工程技术研究中心开放基金（GCZX202001）；陕西省自然科学基础研究计划（2020JQ– 780）；国家自然科学基金青年项目（51901180）

魏文澜（1988—），男，博士，讲师，主要研究方向为材料服役安全理论。

郭龙龙（1988—），男，博士，讲师，主要研究方向为石油天然气装备表面改性与再制造、焊接数值模拟。

责任编辑：蒋红晨