摘要：孔隙率对金属激光粉末床熔融 （LPBF） 成形件的可靠性和性能具有决定性影响，会显著降低断裂韧性和疲劳寿命等关键性能。LPBF 工艺中的孔隙率主要有两种类型：未熔合 （LOF） 和匙孔孔隙率。前者是由于施加的能量不足而无法熔化整个粉末层，而后者是由于高能量密度

孔隙率对金属激光粉末床熔融 （LPBF） 成形件的可靠性和性能具有决定性影响，会显著降低断裂韧性和疲劳寿命等关键性能。LPBF 工艺中的孔隙率主要有两种类型：未熔合 （LOF） 和匙孔孔隙率。前者是由于施加的能量不足而无法熔化整个粉末层，而后者是由于高能量密度和过热而形成。然而，零件内激光-粉末相互作用和热传递的复杂性和随机性使得预测孔隙率变得困难。因此，基于原位监测和机器学习 方法在预测打印过程中的孔隙率方面起着至关重要的作用。

匹兹堡大学Albert C. To教授团队提出一种深度学习（DL）框架，基于原位红外（IR）相机成像技术预测 LPBF Inconel 718 零件的局部孔隙率，其中零件在标准条件下生产，导致 0.03% 的总孔隙率。首先，输入特征包括六个基于物理的红外特征（冷却速率、热辐射强度、层间温度、熔池相对面积、飞溅生成量和最大预沉积温度）和局部扫描向量长度。其次，该框架考虑了当前像素及其 26 个最近邻像素的特征交互。第三，针对边缘和条纹边界区域开发了专用卷积滤波器，通过优化热辐射强度与冷却速率特征，补偿相机分辨率不足带来的局限。

该框架在360μm传感器分辨率下，对34μm以上孔隙的检测平衡准确率超过90%。与传统机器学习模型相比，该深度学习框架在训练速度、预测效率、模型体积及泛化性能方面均表现出显著优势。通过SHAP分析揭示了孔隙形成的复杂机制，证实不同工艺参数间存在非线性交互作用。研究结果与已知孔隙形成机制高度吻合，表明算法能够有效解析多特征与孔隙率的复杂关联。这项工作不仅提升了LPBF原位孔隙检测能力，更为深入理解孔隙形成机制提供了新方法。

文章链接：https://doi.org/10.1016/j.addma.2025.104701

主要附图

图1 LPBF工艺示意图

图2该图总结了所提框架的工作流程。在第一阶段（蓝色），通过红外(IR)相机进行原位监测，随后进行特征提取，识别出七个特征——六个基于物理的红外特征和一个来自CLI文件的扫描长度特征。在此过程中应用低分辨率滤波器以增强数据质量，然后使用HI和CR作为输入。在第二阶段（橙色），准备数据集并进行深度学习（DL）训练。该深度学习模型利用输入特征预测像素级孔隙率，随后重建层级局部预测，并应用过度预测减少滤波器，以补偿IR相机相对较低的帧率。最后，在第三阶段（紫色），对模型的性能进行测试，使用未见过的数据块进行验证。此外，采用特征重要性分析，验证算法是否能够理解孔隙形成的物理机制。

图 3打印块的几何尺寸：（a） 三角形，（b） 单孔，（c） 正方形，（d） 多孔，（e） 晶格。

图4 打印块在基板上的位置。未用于训练或测试的块显示为深灰色，训练块以绿色表示，算法未见过的测试块以蓝色表示。第二行中的单孔−1和正方体用于训练和验证，单孔−2和三角形作为测试块。第三行的单孔−2，用于评估算法在不同打印条件下的表现，而三角形则用于测试算法在略有不同的几何形状下的表现。其余的块被添加到基板上，以模拟更真实的打印条件，确保整体构建环境能够更贴近实际的制造过程。

图 5 打印过程中原位 IR 监测的快照（左）和提取的特征（右）

图6 左侧图像突出显示了条纹边界处热辐射强度和冷却速率较低的区域，这是由于扫描不完全造成的，进而影响了深度学习（DL）预测。中间的图像展示了低分辨率滤波器的应用，而右侧图像则显示了过滤后的特征一致性得到了改善。该滤波器有选择地修改了条纹边界和边缘周围像素的值，这些值显著低于周围的平均值，从而优化了数据的完整性。

图 7UES RoboMet 概览，显微镜和样品夹持臂可见（左）。气动压板转换器、研磨表面和后处理站在收放位置可见（右）。

图8(a) RoboMet切片样本，(b)一个不规则形状的LOF孔隙 ，(c)沿边缘的球形匙孔孔隙 ， (d)水印。通过使用二值化阈值对缺陷和水印进行过滤。图像从16位转换为8位灰度图，阈值滑块被调整以排除水印和杂物，同时最大化测量的孔隙面积。还应用了基于最小和最大粒子表面积的附加过滤器，用于排除无关特征，确保准确的缺陷检测，同时排除几何特征或杂物引起的假阳性。

图 9 用于预测局部孔隙率的 DL 框架的示意图。该框架包括映射和图像处理单元、过滤器、全连接层和缩放通道。该算法考虑了主层以及上下一层的特征，每个主特征有 27 个子特征，输入向量中总共有 189 个子特征。该算法预测像素级孔隙率，然后将其映射到图像重建单元内成形层的局部孔隙率预测。

图10. 低帧率滤波器激活过程的示意图，展示了四个案例，显示了目标像素的位置与边缘之间的依赖关系。核区域以透明红色表示，中心像素以纯红色标记。蓝色像素代表边缘像素及其邻近像素，绿色像素代表核心像素。在(a)中，核区域内的24个像素是边缘像素或其邻近像素，剩余的25个像素中，必须有7个预测为孔隙才能激活滤波器。在(b)中，14个像素是边缘像素或其邻近像素，剩余的35个像素，需要有7个预测为孔隙才能激活滤波器。在(c)中，目标像素位于边缘，由于部分核区域位于零件外部，仅有14个像素是可评估的，仍需7个孔隙预测才能激活滤波器。在(d)中，由于核区域不包含边缘或边缘相邻像素，所有49个像素都被评估，并且需要7个孔隙预测才能激活滤波器。这表明，靠近边缘的像素会减少可用于评估激活标准的像素数量。

图11用于预测单层孔隙率的 DL 模型的输入数据图示。该算法利用来自不同层和特征的21张图像，包括当前层及其上下层。左侧展示了输入特征，右侧则展示了当前打印层的预测局部孔隙度分布。输入特征值从蓝色到红色递增，其中蓝色代表较低的值，红色代表较高的值。

图 12.ROC 曲线图示。左上角的点表示完美分类器，其中 TPR 为 1 且 FPR 为 0。随着分类器性能的增加，曲线越来越接近正方形，表明判别能力更高。

图 13.来自三角形和单孔−2不同层的预测。第一行显示实际孔隙率分布，第二行显示算法的预测，其中蓝色像素表示预测的无孔区域，红色像素表示预测的多孔区域。第三行将真实值与预测叠加在一起，其中绿色像素表示真阳性，红色像素表示假阴性，橙色像素表示假阳性，蓝色像素表示真阴性。

图 14.（a） 三角形第 67 层的真实孔隙度分布。（b） 未经过滤预测的局部孔隙率。带圆圈的区域突出显示了由 IR 摄像机的低帧率导致的过度预测区域。（c） 应用低帧率滤波器后预测的局部孔隙率。

图 15.DL 模型对不同孔隙度大小的召回率。该算法显示，随着孔径的增加，检测能力得到提高，在三角形中检测到 97.5% 的大于 60 微米的孔，在单孔−2 中检测到 90% 的孔。可检测到所有大于 80 微米的孔隙。注意：单孔−2 不包含大于 80 微米的孔隙。

图 16.ROC 曲线，展示了算法在孔隙度预测中的特征可解释性能力，基于未见过的测试集的平均指标，且未使用低帧率滤波器。ROC-AUC得分为0.97，表明该算法在区分孔隙像素时具有高准确度，且假阳性极少。

图 17.算法在验证集上的灵敏度 （TPR）、特异性 （TNR） 和 bACC 取决于数据集大小从 90% 到 20% 的退出率，这表明数据集越大，性能越好。

图 18.区域特征重要性分析结果显示了不同特征对核心和表面像素孔隙率预测的影响。X 轴表示特征名称，而 Y 轴表示每个特征的百分比贡献。

图 19.每个特征对局部孔隙度预测的平均百分比贡献。

图20. 散点图展示了SL、MPA、SG和MPT特征对核心像素孔隙度的影响。X轴表示目标像素的SHAP值，Y轴表示归一化的特征值（范围从0到10）。正SHAP值表示该特征有助于增加孔隙度，而负SHAP值则表明该特征有助于减少孔隙度。 (a) 显示较短的扫描向量可能会由于熔池不稳定而增加孔隙度。 (b) 相对熔池面积与孔隙度之间存在复杂的关系，较大的熔池既可能增加也可能减少孔隙度。 (c) 低水平的飞溅生成量有时可能是孔隙度的标志，可能与熔化不足有关。 (d) 表示较高的MPT值可能导致孔隙度增加，表明飞溅着陆与LOF孔隙度之间存在关联。

图21. Beeswarm图显示了核心像素的SHAP特征重要性。图中展示了SL、MPA、SG和MPT等特征的SHAP值分布。数据点集中在SHAP值为零的位置，表明大多数特征对孔隙度预测的贡献较小，而较短的扫描长度或特定的熔池条件等罕见事件会导致更高的绝对SHAP值，反映出这些特征对孔隙度的更大影响。数据点根据特征值的大小进行颜色编码，较大值用红色表示，较小值用蓝色表示。

图 22.该图突出显示了扫描矢量长度和相对熔池面积之间的关系，表明较短的扫描矢量会导致熔池面积明显变大，尤其是在过程后期扫描的区域。由椭圆包围的高亮区域强调了明显观察到这种现象的区域。

图 23.散点图说明了 CR、HI 和 IT 特征对表面像素孔隙率的影响。X 轴表示目标像素特征的 SHAP 值，表示其对孔隙率的影响。Y 轴显示规范化特征值，范围从 0 到 10。（a） 冷却速率与孔隙率呈沙漏状相关性，较低的值对孔隙率的增加贡献更大。（b） 热辐射强度表现出两种相反的趋势，随着热辐射强度的增加，孔隙率会增加或减少，这表明对孔隙形成有竞争效应。（c） 层间温度与孔隙率呈明显的正相关，突出了局部加热在锁孔形成中的作用。

图 24.显示表面像素的 SHAP 特征重要性的 Beeswarm图说明了 CR、HI和 IT 等特征的 SHAP 值分布。SHAP 值为零附近的数据点的集中度表示大多数特征对孔隙度预测的贡献最小。相比之下，罕见事件（例如较低的冷却速率、升高的层间温

度和较高的热强度）与较高的绝对 SHAP 值相关，这意味着对预测局部孔隙率的决策过程有更大的影响。

图 25.用较短的矢量扫描时，由椭圆包围的区域表现出明显较低的 CR 值，这支持了以下假设：由于冷却速率较低和熔池持续时间较长，扫描长度缩短会导致孔隙率增加。

主要结论

本研究采用深度学习框架对LPBF成形Inconel 718合金件中的七种物理场特征进行解析，成功预测了标准工艺条件下34微米级局部孔隙率，整体孔隙率低至0.03%。该算法不仅整合了当前加工层的主要特征，还创新性地融合了上下相邻层的多维度信息。通过输入来自不同加工层和物理特征的21幅特征图像，系统可在2秒内完成单层孔隙预测。研究团队系统评估了12种深度神经网络架构，最终优选模型在完全独立测试模块中展现出优异的性能：对34微米以上孔隙的检测达到平均平衡准确率(bACC)超90%、假阳性率(FPR)低于3%的指标，同时在成形面方向实现1毫米、成形方向80微米的空间定位精度。

通过与经典机器学习方法(包括逻辑回归、k近邻和随机森林)的对比实验，证实深度学习模型在模型体积、训练效率、预测速度及跨模块泛化能力方面均具有显著优势。研究发现，训练模块与测试模块在惰性气体流场中的相对位置显著影响预测性能，同排布局模块的检测效果优于异排布局。进一步研究表明，该算法对孔隙尺寸具有选择性响应特性，随着孔隙尺寸增大，检测灵敏度显著提升。同时，数据规模与算法性能呈现正相关，这为后续开展更大规模多位置模块研究提供了理论依据。

作者简介

Berkay Bostan，匹兹堡大学 ANSYS 增材制造研究实验室研究助理。2022年获得伊斯坦布尔技术大学硕士学位，2021年-2022年任Aselsan航空电子系统工程师。研究重点是金属增材制造和机器学习应用、LPBF中的原位局部缺陷检测、快速工艺仿真和LPBF中的替代建模。拥有使用 Freemelt-ONE 电子束粉末床熔融机进行 SS316L 工艺参数开发的实践经验。

个人资料来源： https://www.linkedin.com/in/bbostan

Albert C.To，教授，匹兹堡大学 ANSYS 增材制造研究实验室主任，本科毕业于加州大学伯克利分校，硕士毕业于麻省理工学院，博士毕业于加州大学伯克利分校。主要研究方向是增材制造的设计优化、多尺度方法和计算力学。积极致力于金属增材制造的快速工艺建模和拓扑优化。2009 年获得 NSF BRIGE 奖，2016 年获得匹兹堡大学机械工程与材料科学系访客委员会教师奖， 2018 年获得卡内基科学奖。

个人资料来源：https://www.engineering.pitt.edu/people/faculty/albert-to/

来源：江苏激光联盟