新加坡科技局&港城大 l 4D打印马氏体时效钢！抗拉强度达到1538MPa

摘要：“机器学习被应用于增材制造材料性能预测和优化设计，可以利用大量的实验数据和算法预测材料性能并识别与其相关的结构特征，指导设计新材料的化学成分和微观结构，通过优化合金成分，可以提高钢材的可淬性，实现无热处理后的高强度。”

3D科学谷洞察

“机器学习被应用于增材制造材料性能预测和优化设计，可以利用大量的实验数据和算法预测材料性能并识别与其相关的结构特征，指导设计新材料的化学成分和微观结构，通过优化合金成分，可以提高钢材的可淬性，实现无热处理后的高强度。”

材料、结构、工艺和性能是提升增材制造（AM）加工部件多功能性的关键方面。因此，增材制造用新材料的蓬勃发展对于推动增材制造技术的成熟度和可持续性至关重要。

现有的用于增材制造的商用金属粉末是针对传统加工工艺路线（例如铸造、热等静压、放电等离子烧结等）进行设计和优化的，可能并非最适合增材制造，而且，经增材制造加工的商用金属材料大多需要进行后续热处理（PHT）才能获得良好的性能，这会消耗能源并排放二氧化碳。冶金行业是温室气体的最大排放源之一，其中热处理占据了相当大的比重。因此，进行可持续的合金设计以省去后续热处理是制造“绿色”金属材料的一个良好策略。

【成果速览】

现有的用于激光增材制造（LAM）的商用粉末是为需要后续热处理（PHT）的传统制造方法而设计的。激光增材制造独特的循环热历程会在沉积过程中对材料产生本征热处理（IHT），这为开发适用于激光增材制造的新型材料提供了契机。

本项工作中，新加坡制造技术研究院谭超林以及香港城市大学杨涛教授等人借助机器学习制备了一种新型Fe-Ni-Ti-Al马氏体时效钢，以利用本征热处理效应，在激光增材制造过程中无需后续热处理就能原位形成大量析出物。钢中快速的析出动力学、定制的间歇沉积策略以及本征热处理效应，有助于通过在高密度位错上异质形核，在马氏体基体中原位析出Ni₃Ti。

所制造的钢抗拉强度达到1538MPa，均匀伸长率为8.1%，优于众多经激光增材制造加工后的高强度钢。在当前主流的非原位4D打印中，三维打印结构随时间变化的演变（即性能或功能变化）是在部件成型之后发生的。

该项工作着重强调了通过将与时间相关的析出强化与三维几何形状塑造同步整合实现的原位4D打印，这种方式展现出了较高的能源效率和可持续性。 本研究结果通过对本征热处理与材料相互作用的理解和利用，为开发适用于激光增材制造的定制材料提供了新思路。

相关成果以「Machine Learning Customized Novel Material for Energy-Efficient 4D Printing」为题刊登在Advanced Science上。

图1.机器学习（ML）辅助Fe-Ni-Ti-Al新型马氏体时效钢（NMS）成分设计原理图。

图2.用于拉弗斯相（Laves phase）和Ni₃Ti析出物替代建模的不同机器学习模型在以下方面的性能对比：a 决定系数以及b 平均绝对误差（MAE）。将真实数据与随机森林（RF）回归模型针对c 拉弗斯相和d Ni₃Ti析出物预测所给出的预测数据点进行绘图对比，结果表明在已知合金成分的情况下，该模型在预测相含量方面具有很强的能力。

图3.概述了定制Fe-Ni-Ti-Al纳米材料的加工学习定制粉末、LDED工艺和力学性能。

图4.粉末和LDED处理NMS的ILP沉积策略的微观结构分析。

图5.a 示意图展示了原位激光增材制造（ILP）样品中微柱的位置。bc 分别为从白色（微柱 1）和黑色（微柱 2）区域提取的微柱的形貌。d 取自原位激光增材制造样品（白色和黑色区域）以及原始粉末的微柱的压缩应力-应变曲线。ef 分别为粉末和黑色区域微柱的断口形貌。g 本项工作中4D打印纳米复合马氏体时效钢（NMS）的拉伸性能与众多经增材制造加工的高强度钢（均为成型态）的拉伸性能对比。