摘要：人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原

3D科学谷洞察

人工智能将重新定义增材制造，解决制约3D打印产业化方面有关产品质量的两个关键挑战：Predictability（质量的可预测性）与Repeatability（质量的可重复性）。人工智能将成为3D打印技术的内核，赋能3D打印技术突破成本与可复制性的束缚，将扫平原型制造与量产之间的鸿沟，开辟指数级别增长之路，也将重新定义增材制造领域的诸多商业模式。”

层间热积聚（IHA）是激光粉末床聚变（LPBF）过程中的主要挑战，因为它加剧了熔池的不稳定性，并损害了竣工样品的质量。华中科技大学魏青松教授团队建立了一个门控递归单元（GRU）神经网络模型，用于使用机器学习来预测成型样品中的IIRI，以减轻IHA。

“ 3D Science Valley 白皮书 图文解析

”

在316 L合金上训练的模型在转移到DZ125高温合金上时获得了精确的预测结果，有效地管理了LPBF过程中的各种紧急情况。相对密度从91.6%增加到98.5%，表面粗糙度（Ra）从32.58μm降低到19.91μm，顶面上的残余应力从169.21 MPa降低到102.37 MPa。

图1.形成序列特征计算示意图：（a）红外辐射强度峰值图；（b） 红外辐射强度平均图；（c） 整个组件的切片红外辐射强度序列信息；（d） 单层红外辐射强度序列特征。

图2. 门控递归单元（GRU）输入数据示意图。

图3. 预测模型的结构设计：（a）RNN；（b） RNN的内部结构；（c） GRU结构。

本研究所使用的DZ125高温合金粉末是由辽宁冠达新材料科技有限公生产的。粉末微观结构的SEM图像如图4（a）所示。粉末的D10、D50和D90分别为20.52、34.64和54.36μm，符合LPBF工艺的要求。

在成型过程之前，将粉末在120°C的烘箱中干燥2小时，以去除水分并提高流动性。316L样品是使用275 W的激光功率和600 mm/s的扫描速度制造的，而DZ125样品是使用300 W的激光能量和500 mm/s的扫描速度制造的。两种材料均采用0.03 mm的层厚和层间67°旋转的扫描策略。使用热像仪（Fotric628CH，中国）记录整个LPBF过程中的红外辐射强度。热成像仪直接安装在成型表面上方，可以实时监控整个成型区域。基于神经网络模型预测的结果，使用之前工作中报告的自适应动态调整算法实时动态调整过程参数。该方法用于制造底面为8 mm×8 mm、顶面为20 mm×20 mm、高度为30 mm的DZ125截棱锥部件。另一个样品使用恒定的工艺参数制备，作为对照组。

图4. DZ125粉末颗粒的特征：（a）SEM形态；（b） 粒度分布。

分析了316L叶片部件的IIRI序列特征，三维分布图如图5（a）所示。用于训练机器学习模型的叶片模型是高压涡轮叶片的缩小版本，高压涡轮叶片是航空发动机中操作最关键的热段部件之一。叶片模型长50毫米，宽30毫米，高50毫米，如图5（a）所示。图5（b）显示了基于为每层计算的序列信息Ifeature的散点图。在LPBF过程中，IIRI序列特征表现出三种类型的序列相关性。

（1） 长期序列相关性：如图5（b）所示，序列信息Ifeature通常呈现出明显的上升趋势，这主要归因于随着建筑高度的增加，IHA效应增加，散热效率降低。

（2） 周期性序列相关性：如图5（c）所示，序列信息Ifeature在形成的层内呈现出约1mm的周期性波动。这主要是因为本研究中每层的扫描角度旋转了67°。

（3） 短期序列相关性：如图5（d）所示，圆圈区域对应于LPBF过程中的意外事件，具体来说，是扫描暂停导致粉末床温度降低。这导致在成形过程中红外辐射强度较低，从而导致计算出的Ifeature较低。此更改会显著影响后续图层，导致Ifeature减少。

图5. 叶片部分层间红外辐射强度序列特征分析：（a）红外辐射强度的三维分布序列特征；（b） 长期序列相关性；（c） 周期序列相关性；（d） 短期序列相关性。

在LPBF过程中，各层之间存在明显的序列相关性。因此，可以采用机器学习来学习底层关系，从而基于来自前一层的数据预测下一层的序列信息。这使得能够实时评估当前的成形状态。前面介绍的叶片部件的预测结果如图6所示。GRU成功地学习并预测了层间层序信息随形成高度增加的总体增长趋势，如图6（a）所示。此外，它可以有效地捕获LPBF过程中每层67°旋转扫描策略引起的序列信息的周期性波动，并提供准确的预测。

图6. 叶片零件层间红外辐射强度序列特征预测结果：（a）整体成形序列特征预测比较；（b） 局部形成序列特征预测的比较；（c） 突发情况的影响；（d） 预测结果的结构性变化。

图6（c）显示了LPBF过程中意外事件对预测结果的影响。叶片部件LPBF过程中的扫描暂停导致IIRI序列值急剧下降，如图中圆圈所示，导致粉末床内的热损失。A点的预测值基于从先前形成的序列特征中学习到的长期和周期性模式，与实际值存在显著差异。然而，预测模型通过学习后续两层中的短期序列相关性，快速适应了意外事件的影响，从而在B点做出了准确的预测。

图6（d）显示了意外事件和结构变化对IIRI序列特征的综合影响。C点对应叶片部分顶部的层，此处成形面积小，蓄热效果相对较弱。因此，在短暂的扫描暂停后，粉末床温度未能恢复，导致后续层的IIRI持续较低。对于这种意外的复合事件，预测模型在五层内进行自我校正，恢复D点的预测精度。这表明GRU神经网络可以通过在LPBF过程中学习多维序列相关性来有效地处理各种意外情况。即使由于某些层中的意外事件而无法进行准确的预测，该模型也会在后续层中快速调整，表现出良好的鲁棒性。

为了验证其在不同材料中的适用性，直接应用基于316L不锈钢实验数据训练的GRU来预测DZ125镍基高温合金的IIRI。本研究在单晶基板上制备了一个高度为20mm的矩形试样。相应IIRI序列特征的三维分布如图7（a）所示。该组件收集不同条件下的实验数据。在达到10mm的成形高度之前，激光功率和扫描速度是连续变化的，而在成形高度超过10mm之后，激光参数是固定的。这种可变参数的成形过程导致了层间序列特征的波动。如图7（b）所示，直到成形高度超过10mm，层序特征的总体趋势才稳定下来。

图7. DZ125镍基高温合金零件层间序列特征预测结果：（a）成形序列特征的三维分布；（b） 整体成形序列特征预测的比较；（c） 6-8mm预测值的比较；（d） 17-18毫米预测值的比较。

通过比较图7（b）中的预测值和实际值，很明显，即使在各种条件下，GRU也表现良好。实际值和预测值之间的计算MAE为27.3，R²值为0.756。当激光功率意外增加时，IIRI急剧增加，如图7（c）所示。GRU网络可以在几层内快速调整和纠正预测。此外，如图7（d）所示，一旦激光参数稳定，预测精度就会提高。这些结果表明，即使在新的材料系统中，预测模型也能保持高精度。不同材料系统中层间序列相关性的存在表明，一旦GRU了解到这种相关性，就可以用来改进当前层的IIRI预测结果。因此，所开发的神经网络模型对不同材料具有良好的适用性。

根据预测的IIRI序列特征，使用之前研究中报告的自适应算法动态调整了制造DZ125截棱锥组件的工艺参数。评估了IIRI分布、表面质量、内部缺陷和残余应力，并将其与使用固定工艺参数制造的其他部件进行了比较。

图8（a）显示了使用优化的IIRI预测模型和规则常数工艺参数制造的截棱锥部件的照片。优化样品的顶面光滑，展现出更明亮的金属光泽，而常规样品的顶面的颜色明显较深，这是由于随着建筑高度的增加，明显的IHA效应引起的过烧造成的。图8（a1）和8（a2）分别显示了优化样品和常规样品所有层的IIRI三维分布。在0-5mm的高度范围内，常规样品的IHA并不显著。这是因为靠近基材的初始层中熔池的温度梯度和冷却速率更高，导致散热更快。随着建筑高度的增加，IIRI显著增加，在顶面达到峰值。此外，热量积聚集中在顶面的边缘。这一结果与之前的研究结果一致，在之前的研究中，薄壁部件边缘的严重烧蚀导致成形质量显著下降。图8（b）显示了常规和优化样本的IIRI随建筑高度的变化。尽管优化样本的IIRI随着建筑高度的增加而增加，但它仍然明显低于常规样本。IIRI的三维分布表明，峰值没有出现在顶面上，IIRI分布均匀。因此，IIRI预测模型可以有效地指导LPBF工艺的优化，缓解IHA问题，减少部件顶面过烧现象，从而提高整体成形质量。

图8. 使用预测模型优化和规则常数工艺参数制造的截棱锥部件的IIRI分布：（a）照片和（a1）优化和（a2）规则样品的IIRI三维分布；（b） LPBF过程中不同建筑高度的IIRI值的统计结果。

为了尽量减少局部变化对整体结果的影响，选择了优化和规则截棱锥组件顶面上的九个区域来确定表面质量，如图9所示。在常规样品的顶面上，观察到许多高度高达300μm的球形突起和向内延伸的孔。大多数孔分布在球形突起周围，这是由于顶面上的IHA效应引起的过烧现象造成的。过高的激光能量密度和粉末床温度会加速熔池内的流体流动，导致表面张力驱动的球化和不规则球形凸起的表面质量差。当激光能量密度过高时，蒸汽羽流会导致大量熔融飞溅物附着在样品表面。同时，气体可能被熔池内的湍流夹带，导致冷却时形成孔隙。这些孔显著降低了部件的相对密度和机械性能。过高的温度也会导致材料蒸发，从而导致某些元素的损失和烟雾的产生，这不仅会损害零件的成型质量，还会对设备和操作环境产生负面影响。此外，过烧可能会改变预定义的熔化路径，导致实际样品和3D模型之间的尺寸偏差，并降低几何精度。如图9（a）所示，IHA引起的过烧导致表面粗糙度显著增加，并形成影响部件性能的缺陷。相比之下，使用IIRI预测模型优化的样品表面在球化或空隙方面没有表现出明显的缺陷，如图9（b）所示。规则和优化部件的表面粗糙度（Ra），按九个区域的平均值计算，分别为32.58μm和19.91μm。根据预测的IIRI值实时动态调整工艺参数，以确保粉末完全熔化，同时避免过烧。这有效地提高了竣工样品的表面质量，从而得到更致密、更光滑的表面。

图9. 截棱锥组件顶面的照片和共聚焦激光扫描显微镜（CLSM）形态：（a）使用恒定工艺参数制造的规则样品；（b） 通过IIRI预测模型优化样本。

图10（a）和10（b）分别显示了规则和优化截棱锥组件的CT结果。深色区域代表未熔合的空隙，而浅色区域对应于凝固的金属。很明显，常规样品包含许多未熔合的空隙，这些空隙随着建筑高度的增加而逐渐增加，严重影响了其性能。从常规样品的纵向横截面观察到，在0-10 mm的高度范围内，空隙较少。然而，空隙的数量在10 mm后逐渐增加，在样品顶部达到峰值。相比之下，优化样品中的孔隙数量显著减少。在0-15mm的高度范围内，优化的样品几乎完全致密，几乎没有空隙。随着建筑高度的增加，仅在20至30毫米的高度范围内观察到一些空隙。此外，在常规样品中观察到沿建筑方向延伸的裂缝，这归因于高残余应力。DZ125高温合金的高Al+Ti含量使其在LPBF过程中容易产生沿晶界传播的凝固裂纹。从横截面来看，优化样品中的孔隙数量明显低于常规样品。使用阿基米德法测量的优化前后截棱锥组件的相对密度分别为91.6%和98.5%。因此，本研究中使用机器学习建立的IIRI预测模型有效地提高了竣工部件的致密化，减轻了IHA引起的未熔合孔隙的形成，从而提高了它们的力学性能。

图10. 截棱锥组件的CT结果：（a）使用恒定工艺参数制造的规则样品；（b） 通过IIRI预测模型优化样本。

晶格应变εΨ对不同建筑高度下每个倾斜角度Ψ对应的sin2Ψ进行了拟合，结果如图11所示。表1列出了不同建筑高度的残余应力值，这些值是根据拟合曲线的斜率计算得出的。优化和规则截棱锥组件内产生的残余应力都是拉伸应力，这与样品形状和所涉及的冶金过程有关。在LPBF过程中，每层的快速加热和冷却都会产生严重的热循环。这种热循环导致了显著的温度梯度：激光点附近的温度极高，而在距离激光点较远的位置，温度迅速下降。由于金属材料的固有特性，这种温差导致不同区域的膨胀和收缩不均匀。熔池在瞬时激光照射下呈弧形轮廓，其中熔融金属被反冲压力推向熔池边缘。激光移开后，由于极端的温度梯度，熔融金属迅速冷却，无法完全重新填充熔池的中心。这种非平衡凝固过程导致了内部拉伸残余应力的形成。

图11. 晶格应变的拟合结果εΨ对应于sin2Ψ在不同的建筑高度下，（a）规则和（b）优化的截棱锥组件：（a1）和（b1）6mm；（a2）和（b2）12毫米；（a3）和（b3）18毫米；（a4）和（b4）24毫米；（a5）和（b5）为30毫米。

表1. 不同高度下规则和优化截锥构件的残余应力（MPa）。

表1中的统计结果表明，样品内的残余应力随着建筑高度的增加而逐渐增加。随着样品高度的增加，先前固化的层对当前层施加了更强的机械约束。这意味着当前层在冷却过程中不能自由收缩，而是被迫适应现有结构，进一步加剧了拉伸残余应力的发展。逐层产生的热应力不易消散，而是逐渐累积。对于截棱锥组件，顶部区域更容易受到拉应力的累积，因为来自下层的约束变得更加明显。与优化后的样品相比，用恒定参数制备的常规样品在12mm高度后的残余应力以更快的速度增加，导致顶层残余应力显著升高，如图12所示。高残余应力会增加裂纹形成的风险，并对零件的机械性能产生不利影响。基于机器学习的IIRI预测模型可以指导工艺参数优化，减轻锁孔效应，有效降低部件内的残余应力。

图12. 规则和优化截锥构件不同高度残余应力的比较。

当激光连续扫描多层粉末时，冷却时间不足和热传导不足会导致后续层的起始温度更高。LPBF工艺中的IHA改变了熔池的冶金行为，这显著影响了飞溅的形成和竣工样品的质量。IHA的缓解主要通过改变小孔效应来提高成形质量。过量的IHA导致钥匙孔加深，导致空隙的形成，而减少的IHA通过减轻钥匙孔效应提高了形成的样品的相对密度。图13（a）和（b）分别显示了高IHA和低IHA条件下熔池的冶金过程，揭示了小孔形态、飞溅产生和缺陷形成的机制。

”

当激光束照射金属粉末时，吸收的能量转化为热量。局部区域迅速加热到合金熔点以上，形成熔池。如果能量密度足够高，材料就会蒸发，产生高温高压蒸汽，形成向上的羽流。蒸汽羽流带走了大量的热量，并可能输送未熔化的粉末颗粒和熔融金属液滴，导致形成过程中的飞溅。飞溅增加了前一层的粗糙度，损害了下一层粉末床厚度的均匀性，最终降低了竣工样品的相对密度。强蒸汽羽流产生与激光束方向相反的力，称为反冲压力。这种反冲压力增加了熔池的不稳定性，加剧了小孔效应。熔池中的动态波动导致小孔在激光移开后失稳并坍塌，在凝固的金属中留下空隙。

图13. LPBF过程中（a）高IHA和（b）低IHA条件下熔池的冶金行为。

固定的工艺参数导致LPBF工艺过程中的IHA，这增加了粉末床和先前熔化层的温度。基板温度的升高降低了达到钥匙孔模式所需的能量阈值，使其更容易形成和维持钥匙孔。此外，温度的升高加速了熔池内的材料蒸发速率，导致蒸汽产生增加和蒸汽压升高。因此，熔池的流动性和表面波动加剧。高温还会降低熔融金属的表面张力，使熔池表面更难承受内部蒸汽压。这些因素最终加剧了钥匙孔效应，产生了更多的飞溅和空隙，如图13（a）所示。本研究中使用机器学习开发的IIRI预测模型可以在LPBF过程中实时动态调整输入激光能量，从而减少热积聚并减轻小孔效应。如图13（b）所示，飞溅和空隙的数量和大小显著减少，从而提高了竣工样品的质量。值得注意的是，激光能量的高斯分布不可避免地会在形成的样品内产生少量的孔。然而，由于其尺寸较小，这些孔在CT图像中不可见。

所建立的IIRI预测神经网络模型有效地解决了LPBF过程中的IHA问题，可以提高部件的成形质量。主要结论总结如下：

（1） GRU神经网络模型准确预测了LPBF过程中的平均IIRI。实际值和预测值之间的MAE为7.7，R²决定系数为0.964。

（2） 所建立的神经网络模型在预测LPBF制造的DZ125高温合金的IIRI方面取得了优异的性能，证明了其对不同材料的良好适用性。

（3） 通过动态调整工艺参数，该模型显著减少了DZ125截棱锥部件的内部孔隙缺陷，提高了表面质量。优化后，与常规部件相比，相对密度从91.6%提高到98.5%，表面粗糙度（Ra）从32.58μm降低到19.91μm，顶面残余应力从169.21 MPa降低到102.37 MPa。

▏通讯作者简介

魏青松，华中科技大学“华中学者”，特聘教授、博士生导师，材料科学与工程学院材料加工专业研究生教研室主任。兼任中国机械工程学会增材制造分会副总干事，中国机械工程学会特种加工学会理事，中国模具工业协会装备委员会副主任，中国机械工程学会团体标准增材制造应用领域标准召集人，Metals期刊编委。作为共同主席创办了中国增材制造青年科学家论坛年会。主持了国家自然科学基金、国家重点研发计划课题、国家两机专项课题等国家、省部级和企业科研任务20余项。

主要从事增材制造新材料、新工艺和新装备的研发与应用，重点研究激光选区熔化金属增材制造和粘接剂喷射增材制造技术。面向航空航天、生物医疗和模具等领域复杂化、个性化和整体化制造需求，研究增材制造的材料制备、工艺优化和装备开发及其应用。

简介来源：http://faculty.hust.edu.cn/weiqingsong/zh_CN/index/1406233/list/index.htm

来源：3D科学谷