亮点 | 当机器学习遇上激光增材制造

编者按

为集中展示激光增材制造领域的新发现、新进展和新突破，《中国激光》组织策划了“激光增材制造”专题，专题内容呈现工艺广、材料全、结构新的特点，于2022年14期出版。（点击查看专题网页）

专题亮点文章来源于新加坡制造技术研究院谭超林博士等人，文章系统分析和论述了机器学习在增材制造过程中的优化应用与新型合金研发方面的研究进展，并对该领域的发展方向进行了展望。

全文链接：苏金龙, 陈乐群, 谭超林, 周友翔, 翁飞, 姚西凌, 蒋福林, 滕杰. 基于机器学习的增材制造过程优化与新材料研发进展[J]. 中国激光, 2022, 49(14): 1402101

一、前言

近年来，激光增材制造技术（即3D打印）作为一种革新性的成型方法获得了广泛关注。国产大飞机C919采用增材制造技术制备关键部位钛合金零件，从而有效降低了飞机的结构重量，延长了使用寿命。西北工业大学“飞天一号”火箭也采用激光增材制造技术制备了具有复杂结构的发动机的大尺寸关键零件，在保证零件质量的同时大幅实现了快速制造，缩短了交付周期。

值得一提的是，以往对激光增材制造的研究主要是基于实验来开发或改善增材制造工艺过程以及对合金成分进行调控等，而较高的实验成本和较长的研发周期一定程度上限制了增材制造技术的进一步发展。随着人工智能的飞速发展，机器学习作为人工智能的关键核心技术可以深入挖掘增材制造领域积攒的大量实验数据从而辅助增材制造工艺和材料的开发过程。

如今已有大量关于机器学习辅助增材制造的研究报道，如机器学习辅助轨迹规划、合金成分优化、成型参数窗口预测、零件的力学性能预测等。通过充分结合机器学习对实验数据进行深入的分析挖掘，激光增材制造技术也逐渐迈向智能化。如图1所示，机器学习技术在增材制造过程中的优化应用与新型合金研发方面得到了广泛应用。图1 增材制造中常用的机器学习方法新加坡制造技术研究院Joining and Machining Group (JMG）团队系统分析和论述了机器学习在增材制造过程中的优化应用与新型合金研发方面的研究进展，并对该领域的发展方向进行了展望。

二、机器学习在增材制造过程中的控制与优化应用

目前已有大量研究表明，机器学习技术可以用于增材制造过程的控制、工艺窗口的预测和沉积路径的优化等，通过结合适当的机器学习策略可以揭示增材制造过程工艺参数与零件精度和致密度的联系，从而大幅缩短增材制造工艺开发时间。对于直接能量沉积（DED）技术而言，原位识别缺陷有助于在加工过程中对缺陷进行修复，从而实现产品质量的控制。新加坡制造技术研究院JMG团队的Chen等基于机器学习开发出了一种原位点云处理的方法（图2），可以原位监测出DED增材制造过程中形成的表面缺陷。该机器学习模型结合了聚类和多种分类以实现缺陷的识别，并通过多组实验来对该模型进行了训练。结果表明K-近邻模型精度最优，对缺陷的识别精度高达93.15%。原位识别出缺陷后，可以设置特定的激光路径对缺陷进行修复，从而大大提升DED金属零件的可成形性。图2 通过原位点云处理和机器学习方法监测DED增材制造过程中表面缺陷的形成在沉积路径优化方面，新加坡制造技术研究院JMG团队的Ren等通过整合有限元模拟和机器学习提出了一种用于激光增材制造矩形零件的沉积路径规划的方法，大幅度地减少了沉积过程中的局部热积累（图3）。该方法基于温度模式递归神经网络模型预测每一层沉积过程后的温度场分布，从而优选出最佳的成形路径。该方法显著提高了激光沉积路径规划的规划效率，其有效性通过检测沉积的立方体样品的二维平面度得以验证。图3 基于机器学习的DED沉积路径的优化方法

Francis等开发了一种新的深度学习方法，通过考虑局部热传递进行逐点畸变预测，准确预测了增材制造过程中公差范围内的畸变。借助深度学习的可扩展性，提出了基于云的计算框架，利用增材制造产生的大量工艺特性数据流，为加速增材制造零件的制备提供了一条有效途径。

Zhu等提出了基于物理信息的神经网络 (PINN) 框架[图4(a)]，将DED过程中收集的原始数据与物理原理（例如动量质量守恒等）相结合，能准确预测熔池温度和动态[图4(b)]。图4 (a) 预测熔池温度和动态的神经网络框架； (b)基于有限元、PINN和实验所得的熔池温度

三、机器学习在新材料研发中的应用

恰当的机器学习模型可以为合金成分的优化设计提供指导，因此通过机器学习可以大幅提高合金材料的设计及筛选效率。

目前，机器学习已被广泛用于设计具有多种特殊性能的合金以满足不同的应用需求。例如，机器学习用于设计具有极低弹性模量的β钛合金成分以满足人体植入应用，并且设计出来的合金通过实验验证发现具有较低的弹性模量。

Lee等设计了一个基于机器学习的合金设计平台，该平台可对合金进行正向和反向预测。通过在机器学习平台上使用16种描述符对钢进行综合分析，准确预测了5473种热机械控制加工(TMCP)钢的屈服强度和抗拉强度。机器学习的集成化平台是基于正则化的线性回归、集成机器学习和非线性机器学习的算法。通过集成化平台可以很好地控制C、Mn、Nb和Si的含量，且结果表明固溶体中这些关键合金元素的含量对合金强度的提升具有显著影响，进而影响TMCP钢的应用。

此外， Jiang等通过一种机器学习设计系统策略，逆向研发出了3种高强高韧铝合金，其抗拉强度达到700~750 MPa，并且延伸率达到8%~10%[图5(a)]。与目前最先进的高强韧7136铝合金相比，该合金的抗拉强度提高了近100 MPa，实现了显著的强韧化效果。此外，该合金的断裂韧性和强度也达到了极高的水平[图5(b)]。图5 机器学习辅助设计高强高韧铝合金。（a）延伸率与抗拉强度的关系；（b）断裂韧性与抗拉强度的关系值得注意的是，由于激光成形过程中存在凝固开裂以及固态相变等过程，在成形过程中避免裂纹的形成是增材制造面临的一大挑战，因此进行合金成分设计时应充分考虑合金的增材制造可成形性。

Dovgyy等通过结合Scheil–Gulliver凝固模拟与机器学习成功设计了一款用于增材制造的FeCrAl合金(Fe-20Cr-7Al-4Mo-3Ni)，该合金可以有效避免凝固裂纹的产生。实验表明，该合金在打印态时为一种单相合金，织构强度很低且基本不存在化学成分偏析。此外，在打印过程中，合金内部既不存在凝固裂纹，也不存在液化裂纹，从而证明了该合金成分设计方法的有效性。

Sabzi等基于热力学计算和遗传算法，设计出一种具有低凝固裂纹敏感性的奥氏体不锈钢合金成分。通过该方法对316L合金成分进行微调，进而提出了一种新型的合金成分，有效降低了316L合金凝固裂纹敏感性，提高了增材制造过程的可成形性和材料强度。

综上，在增材制造材料开发方面，机器学习是一种理想的解决方案，可有效避免传统试错法带来的高额成本。然而，机器学习需要大量的数据库作为模型的训练支撑，因此数据库的建设和发展是机器学习的前提。

长期以来，金属材料增材制造领域已经有大量的文献发表，积累了海量的实验数据，为机器学习技术的发展奠定了扎实的基础。随着材料实验数据挖掘技术的发展，丰富的数据库将进一步促进增材制造领域新型金属材料的开发。

四、结语

近年来，随着人工智能和计算机科学的发展，机器学习技术在增材制造领域取得了较为广泛的应用。在金属材料的增材制造领域，机器学习的应用范围主要包括制造过程的控制、工艺窗口的预测、合金成分的设计和合金组织性能的预测等。

机器学习技术与增材制造相结合，避免了大量的试错成本，大大提升了增材制造的成形质量和效率，加快了增材制造专用新型金属材料的研发进程，有望进一步拓展先进增材制造技术的应用领域。

课题组介绍

新加坡制造技术研究院(SIMTech) JMG团队致力于激光/电弧增材制造、增减材复合制造、先进焊接等研究。团队具备完成设备搭建、软件开发、工艺优化、材料研发、过程监控、模拟一体化研究的研发平台和研究人员。目前，团队共有30人，其中具有博士学位的科学家14人，近三年发表SCI论文30余篇，包括多篇International Journal of Machine Tools and Manufacture、 Composites Part B、Virtual and Physical Prototyping和 Additive manufacturing，Journal of Materials Science & Technology，以及Corrosion Science、Materials Research Letters等优秀期刊。

团队网址：

https://www.a-star.edu.sg/simtech/research/JMG

通信作者简介

谭超林，新加坡制造技术研究院Scientist和博士生导师。长期从事金属增材制造(3D打印)研究。获英国伯明翰大学荣誉研究员、广州市青年托举人才和国际先进材料协会(IAAM)杰出科学家奖等荣誉。主持和参与新加坡基础研究项目和重大专项多项。以第一作者发表SCI论文23篇和通讯作者SCI论文5篇，其中影响因子大于9.4的论文14篇，H-index 19。担任International Journal of Machine Tools and Manufacture编委， SCI期刊《中国有色金属学报》中、英文版和Rare Metals期刊青年编委，同时担任Nature Communications等国内外10余种优秀期刊的审稿人。

科学编辑 | 苏金龙

编辑 | 沈灵灵

推荐阅读

END

由于微信公众号试行乱序推送，您可能没办法准时收到“爱光学”的文章。为了让您第一时间看到“爱光学”的新鲜推送， 请您：

1. 将“爱光学”点亮星标（具体操作见文末）
2. 多给我们点“在看”

欢迎爆料

新闻线索、各类投稿、观点探讨、故事趣事

留言/邮件，我来让你/事红

爆料请联系：[e-mail]

点在看联系更紧密