Purpose The purpose of this research is to enhance the Laser Powder Bed Fusion (LPBF) additive manufacturing technique by addressing its susceptibility to defects, specifically lack of fusion. The primary goal is to optimize the LPBF process using a digital twin (DT) approach, integrating physics-based modeling and machine learning to predict the lack of fusion. Design/methodology/approach This research uses finite element modeling to simulate the physics of LPBF for an AISI 316L stainless steel alloy. Various process parameters are systematically varied to generate a comprehensive data set that captures the relationship between factors such as power and scan speed and the quality of fusion. A novel DT architecture is proposed, combining a classification model (recurrent neural network) with reinforcement learning. This DT model leverages real-time sensor data to predict the lack of fusion and adjusts process parameters through the reinforcement learning system, ensuring the system remains within a controllable zone. Findings This study's findings reveal that the proposed DT approach successfully predicts and mitigates the lack of fusion in the LPBF process. By using a combination of physics-based modeling and machine learning, the research establishes an efficient framework for optimizing fusion in metal LPBF processes. The DT's ability to adapt and control parameters in real time, guided by machine learning predictions, provides a promising solution to the challenges associated with lack of fusion, potentially overcoming the traditional and costly trial-and-error experimental approach. Originality/value Originality lies in the development of a novel DT architecture that integrates physics-based modeling with machine learning techniques, specifically a recurrent neural network and reinforcement learning.

Abstract Electric discharge machining (EDM) is a stochastic process which is commonly engaged for cutting of Ti-based difficult-to-cut alloys. Experimental investigation in EDM is costly and requires significant amount of time due to the complex nature of the process. Moreover, the energy intensive nature is another criticism associated to this technique. Therefore, this research is focused on developing an energy conscious mathematical model of the process while considering the categorical parameters like type of dielectric, electrode and nano-powder along with pulse time ratio. Taguchi design of experiment (DOE) has been executed for the experimentation. The comprehensive analysis of the findings depicts transformer oil (TO) delivers a remarkable improvement in MRR and SEC in comparison to other dielectric choices. Furthermore, brass electrode stands out for achieving the best surface finish. When it comes to micro-additives, SiC exhibits substantial potential in increasing MRR, and graphite gives a better surface finish. The process has also been effectively modeled which helps to predict material removal rate (MRR), surface roughness (SR) and specific energy consumption with decent precision which is the key contribution of this study. 3D simulation for EDM illustrates that the features of the crater are defined by the liquefied region, whilst the dynamics of the mushy zone play a crucial role in controlling and characterizing the microstructure size progression. The confirmatory experimental results revealed that the use of optimized parametric combinations demonstrate 90.87% improvement in MRR, 52.07% reduction in SR and 96.19% decrease in SEC in contest to the responses’ values obtained at non-optimal settings.