摘要：强度-延展性权衡问题：Ti-6Al-4V合金因其高强度、耐腐蚀性和生物相容性，在航空航天、医疗等领域应用广泛。然而，激光粉末床熔融（LPBF）技术制造的Ti-6Al-4V合金通常呈现高强度的针状α'马氏体，但延展性较低（约8%）。通过后热处理（HT）虽可提升延
主要作者：Jeong Ah Lee，Seungchul Lee*，Hyoung Seop Kim*
第一单位：浦项科技大学（韩国）
发表期刊：nature communications
原文链接：https://doi.org/10.1038/s41467-025-56267-1
增材制造Ti-6Al-4V合金的挑战与需求：
强度-延展性权衡问题：Ti-6Al-4V合金因其高强度、耐腐蚀性和生物相容性，在航空航天、医疗等领域应用广泛。然而，激光粉末床熔融（LPBF）技术制造的Ti-6Al-4V合金通常呈现高强度的针状α'马氏体，但延展性较低（约8%）。通过后热处理（HT）虽可提升延展性，但会牺牲强度，传统试错法难以高效解决这一矛盾。工艺参数优化的复杂性：LPBF过程中，激光功率、扫描速度、体积能量密度（VED）等参数显著影响微观结构（如马氏体形态、β晶粒尺寸）。此外，热处理温度和时间也会改变相组成与晶粒尺寸。传统实验方法需探索296种参数组合，耗时耗力。数据驱动方法的潜力：机器学习（ML）在材料科学中展现出高效预测能力，但传统ML依赖大量标注数据。主动学习（Active Learning）通过迭代预测与实验验证，可减少实验次数，精准定位最优参数组合。Fig.1 Schematic of the overall flow
1. Pareto主动学习框架设计
核心目标：同时优化极限抗拉强度（UTS）和总延伸率（TE），突破传统单目标优化的局限性。框架流程：数据准备：基于119组历史实验数据（含LPBF参数和HT条件）构建初始标注集，另设296组未探索参数组合作为候选集。代理模型选择：采用高斯过程回归器（GPR）建立工艺参数与力学性能的映射关系，预测未标注数据的UTS和TE值及其不确定性。采集函数优化：使用期望超体积改进（EHVI）作为采集函数，优先选择能最大化Pareto前沿超体积的组合，平衡探索（高不确定性区域）与开发（高预测性能区域）。迭代实验验证：每轮迭代选择2组参数进行实验，更新标注集并重新训练模型，直至Pareto前沿无法进一步扩展（共5轮迭代，10组实验）。2. 实验与表征方法
样品制备：使用Concept Laser M2设备打印Ti-6Al-4V试样，参数包括激光功率（100–350 W）、扫描速度（500–2000 mm/s）、热处理温度（25–1050°C）和时间（0–2 h）。力学测试：通过拉伸试验测量UTS和TE，每组参数重复3次以验证稳定性。微观结构分析：采用电子背散射衍射（EBSD）和X射线衍射（XRD）表征α相形态、β晶粒尺寸、织构强度及滑移系激活概率。Fig.2 Pairwise plot and distribution demonstrating correlations between five input parameters and two mechanical properties
1. 力学性能突破
Pareto前沿扩展：经过5轮迭代，框架成功识别10组参数组合，UTS和TE分别提升至1190 MPa和16.5%，优于历史数据（最高UTS=1100 MPa，TE=14%）及传统锻造/DED工艺（UTS=950–1150 MPa，TE=8–15%）。关键实验结果：组合3-2（激光功率200 W，扫描速度1900 mm/s，595°C热处理2 h）：UTS=1190 MPa，TE=16.5%，实现强度与延展性的最佳平衡。组合2-1（激光功率200 W，扫描速度2000 mm/s，595°C热处理2 h）：UTS=1221 MPa，为所有实验中最高值。组合1-1（激光功率250 W，扫描速度1100 mm/s，900°C热处理2 h）：TE=18.3%，延展性最优。Fig.3 Overview of the Pareto active learning framework proposed in this study
2. 微观结构机制
α相形态与β晶粒控制：低VED（1500 mm/s）促进细小α板条（厚度0.71–0.97 μm）形成，增加晶界密度以提升强度；中温热处理（595°C）保留细晶结构，避免β晶粒粗化。织构与滑移系激活：高VED下（>90 J/mm³），(0001)α织构强度降低，促进多滑移系激活（Schmid因子>0.4的区域占比达54.8%），从而提升延展性。相组成优化：595°C热处理促使α'马氏体部分分解为α+β双相结构，平衡强度与塑性。Fig.4 Results of active learning iterations
1. 框架有效性验证
Pareto主动学习框架通过5轮迭代（仅10组实验）即定位最优参数组合，相比传统试错法效率提升约30倍。EHVI函数在探索（高不确定性）与开发（高预测性能）间取得平衡，克服了强度-延展性权衡。实验验证表明，优化后的Ti-6Al-4V合金微观结构兼具高强度（细晶、高织构）和高延展性（多滑移系激活）特征。Fig.5 Predicted UTS and TE values, and probability density function of selected combinations
2. 应用前景与扩展
该方法可推广至其他合金体系（如镍基高温合金、铝合金），并支持多目标优化（如疲劳寿命、耐腐蚀性）。结合物理仿真（如相场模拟、热力学计算）可进一步提升预测精度，尤其在数据稀缺的新材料开发中更具潜力。Fig.6 Microstructure analyses for strength evolution in 1-1, 2-1, 3-1, and 3-2 samples
深度洞察1. 创新性与优势
方法创新：首次将Pareto主动学习引入增材制造参数优化，通过EHVI函数高效定位多目标最优解，为复杂材料体系开发提供新范式。工程价值：显著降低实验成本（仅需10组关键实验），加速高性能合金研发周期，适用于工业化生产场景。2. 行业影响
该框架为增材制造工艺的智能化调控提供了可行方案，有望推动航空航天、医疗器械等领域的高性能定制化部件生产，助力实现“材料-工艺-性能”一体化设计。Fig.7 Microstructure analysis for ductility evolution in 1-1, 2-1, 3-1, and 3-2 samples
今天的分享到这里就结束了，增材制造的故事还在继续！
来自：增材视界
长三角G60激光联盟陈长军转载
热忱欢迎参加我们在2025年5-27-29日举办的两机展和激光在两机（飞机发动机和燃气轮机）及低空经济中的应用大会
来源：江苏激光联盟
