《Acta Materialia》：金属增材制造参数优化和性能提升的全新解决策略

来源:江苏激光联盟

现有的激光增材制造的工艺参数优化比较费时和费钱，一种基于机器学习的参数优化策略，不仅使得工艺参数的窗口扩大得到前所未有的的程度，同时还获得了优异的高强度和高韧性的综合性能。这一研究成果发表在近期出版的顶刊《Acta Materialia》上。

在本研究中，来自新南威尔士大学的研究人员发展了一种基于高斯过程回归的（ Gaussian process regression）机器学习策略来识别和优化激光粉末床金属打印（SLM）过程中的参数优化。使用这一参数优化策略，研究人员找到了一个新的参数优化办法和具有巨大的参数优化空间，比以前的参数优化策略要好得多且获得了完全致密的AlSi10Mg 样品（其相对密度为 ≥ 99%）。新优化的激光加工参数（例如：激光功率和扫描速度）可以获得以前所不能得到的高强度和高韧性的组合。结果表明，尽管 AlSi10Mg样品呈现出相类似的Al-Si 共晶显微组织（例如，胞状的显微结构比较细小和晶粒比较粗大），他们在机械性能上呈现出巨大的差异，如显微硬度为 (118 - 137 HV 10), 极限拉伸强度为 (297 - 389 MPa), 断裂时的延伸率为 (6.3 - 10.3%), 断裂强度为 (9.9 - 12.7 kJ/m2)等。其背后的原因归因于不易察觉的细微的显微组织的差别，这一差别进一步的采用两个新定义的基于扫描电镜图像所得到的几个关键的显微组织特征为基础的形貌指数（即空间尺度指数 Id 和形状指数 Is）进行了揭示。结果发现，除了显微组织的变化之外，SLM制造AlSi10Mg之后得到的亚晶胞的尺寸和胞边界的形貌强烈的影响到材料的机械性能。本研究中所建立的这一办法可以非常容易的应用到SLM工艺过程中来优化参数和机械性能，同时还可以广泛的应用到金属和合金中或新设计的材料中。

△论文的 Graphical abstracts

随着金属增材制造技术应用范围的日益增长和其重要性的不断增加，尤其是激光金属粉末床打印（SLM）技术的应用，在科学界和工业界得到了广泛的关注，而关于如何识别金属增材过程中的的工艺参数的优化窗口在现有的基础上进一步的提升成为成为一个新的热点。由于SLM制造过程中复杂的物理过程和化学反应，以及金属增材制造过程中存在的不同金属和合金的显微组织——性能之间的关系，识别和优化SLM过程中的参数优化在过去主要依靠一个费时费钱的试错过程和大量的检测分析实验过程来完成。一些比较理性的SLM制造过程中的参数优化办法已经有人提出来了，包括经验激光能量密度的估计，熔池结构分析和高可靠性的数值模拟技术等。优化SLM制造过程的参数，就有可能获得高品质质量的部件（即完全致密和无裂纹的产品），这已经在包括Al，Ti，Ni基合金，钢铁材料以及金属基复合材料，金属玻璃，形状记忆合金和高熵合金中得以实现。然而，其参数优化过程依然存在较大的问题和面临着巨大的挑战，尤其是当一个金属或合金被用来设计成或要适用于SLM打印的时候。更为重要的是，当前的参数优化只是给出了一些有限的特定的设置和伴随着一些特定的材料性能进行了设计，而不是彻底的发挥出整个高致密度工艺参数的窗口，这一参数窗口也许会揭示出特定合金和金属的一个宽广范围内的理想性质。这一缺乏鲁棒性的参数优化过程在当前成为进一步的发展SLM技术的一大障碍和发展具有特定用途和性能的材料设计的一大阻碍。最近，机械学习发展起来，成为SLM过程中优化参数的一个新的手段。例如，Kamath & Fan提出的基于高斯过程回归（Gaussian process regression (GPR) ）竞争模型来进行参数优化，同传统的办法如人工神经网络和支持向量机器相比较，可以利用小的数据设置进行参数优化。而且，Tapia 等人使用GPR预测单道熔池的深度和使用小范围的输入参数 (即：10 W 的激光功率范围和 125 mm/s 扫描速度)来预测部件的密度，由此显示出这一技术作为一种成本有效的办法来解决SLM过程中的参数优化问题。

图1 图像处理过程的展示

▲图解：原始的SEM照片首先转换成二元图像。胞内的点均移除（红色的圆圈区域）和网络结构中小的断点则固定（红色的矩形区域）。每一个闭环的黑色胞被处理成为分析的单元区域

除了密度之外，SLM的工艺参数优化同时需要考虑关键准静态和动态的机械性能，如拉伸性能，断裂的韧性，疲劳抗力等。广泛的研究观察到同一合金和金属在采用不同的工艺参数进行制造，制造的密度 (> 99%)均达到这一标准时，其机械性能呈现出显著不同的区别。例如，LSM制造的AlSi10Mg p合金部件，在相对密度> 99%的时候，其极限拉伸强度会从168 到 455 MPa之间进行变化。其背后的原因归因于不同的显微组织，但其背后的更详细的原因却仍然没能很好的理解，需要对其显微组织——性能之间的关于进行进一步的研究。

图2 GPR结果的形象展示

▲图解：a 符号表示用于训练的在导致打印失效时激光功率和扫描速度的离散参数相对密度的平均和标准误差。导致打印失效（如匙孔和未熔合）的工艺参数给予排除，一些失效的打印的例子在插入的图中给予说明。b GPR预测的相对密度的均值的表面反应。外推误差大相对大的则可以在两个角落中发现，此时没有训练的数据是有效的。

在本研究中，来自新南威尔士大学的研究人员为大家展示了一个新的SLM的参数优化和操控获得理想机械性能的AlSi10Mg 合金的典型范例。这一新的研究策略结合了高斯过程回归（Gaussian process regression (GPR)）和二元形态直方图图像处理两种技术来识别这一铝合金的SLM加工的参数优化。两个最为关键的SLM参数，即激光功率P和扫描速度V，均被参数通过GPR输入来构建工艺参数和相对密度之间的关系，这就使得可以实现高致密度的AlSi10Mg合金的参数优化窗口得以实现。制造的样品采用几个新发现的获得高致密度铝合金的SLM参数，得到的样品呈现出前所未有的的机械性能的组合（高强度和高韧性）。关键显微组织特征和机械性能之间的关系通过优化的工艺窗口来确定，特别的，使用主成分分析(principal components analysis,PCA)技术，对采用扫描电镜得到的10个显微特征形貌的照片减少至两个新的显微组织描述的指数，称之为空间尺度指数（dimensional-scale index (Id) ）和形状指数 shape index (Is)。尽管这一研究主要聚焦在AlSi10Mg 铝合金上，这一新的研究策略也同样适合应用于其他金属和合金的SLM的工艺参数优化和机械性能的设计。

图3

▲图解：a 随着激光功率和扫描速度变化时相对密度的曲线图。能量密度线（点线）表示基于公式得到的同一能量密度。黄色的区域表示新识别的采用机器学习可以获得相对密度 > 99%的工艺参数，其识别得到的工艺参数比以前的办法得到的工艺参数范围要宽（以前识别的工艺参数为灰色的阴影区域）。一套5个新的参数设置，以黄色的星来表示，从新确立的优化的工艺参数窗口中被认为是有效的参数设置进行选择和用于随后的显微组织和机械性能的研究。b 5个有效的数据点测量得到的相对密度同采用GPR模型进行预测的结果的对比。误差表示为标准误差。所有5个样品的测量得到的相对密度为 99.2% 和 99.4%，通过红色的带来显示。

图4  

▲图解：a 使用5个工艺参数组合制造的AlSi10Mg 铝合金的Al-Si胞晶和共晶的显微组织的SEM照片。b 光学金相照片。c 熔池结构的SEM照片。d 熔池边界的显微组织，具有细小的，粗大的区域和热影响区。e SLM制造的AlSi10Mg合金在熔池中心区域典型的显微组织为黑色的α-Al 基体，被白色的Si析出相所修饰。对于图片 b-d，只有样品P355作为所有5个样品的代表进行展示。f 采用5个加工参数进行激光增材制造的样品的EBSD图片。颜色的代码表示晶体的方向。

图5. 早期文献中SLM制造的 AlSi10Mg铝合金的UTS和延伸率的总结以及同采用当前方法得到的结果的对比

▲图解：箭头示意的指出了早期通过热处理之后的结果，而圆形的星号则表示的是当前取得的结果取得了前所未有的结果，即高的令人理想的性能，且没有经过热处理就可以获得。

取得的主要研究成果

在这一研究中，采用基于高斯过程回归（Gaussian process regression (GPR)）和二元形态直方图图像的机器学习的策略来识别SLM过程中的工艺参数窗口来制造出完全致密的 AlSi10Mg铝合金以及SLM工艺参数，显微组织和机械性能也进行了研究，如下为主要结论：

(1)高斯过程回归（GPR）替代模型是一种行之有效的模型，构建了激光功率和扫描速度同制造高致密的 AlSi10Mg铝合金之间关系的有效模型。这一模型使得识别大范围内的工艺参数优化窗口在获得相对的高致密度 (≥ 99%)方面比以前任何时候都要宽。这一参数优化策略不是仅仅提供一个特定的参数优化设置，一个优化的工艺窗口预测高致密度的曲线图可以利用该模型来进行预测其相对密度。这一办法提供了设计SLM制造具有一定显微组织的AlSi10Mg合金且提供了巨大的潜力空间，导致理想的性能也能获得，诸如高强度和韧性，这是以前所不能实现的。

(2)两个新的形貌特征表征办法，即空间尺度指数（ dimensional-scale index (Id) ）和形状尺度指数（ shape index (Is)），曾经被利用主成分分析(principal components analysis,PCA)来分析10个显微组织的形貌特征，可以很好的表征SLM制造的AlSi10Mg铝合金的亚晶粒显微结构。而且，Id和工艺参数（主要是激光功率和扫描速度）之间的关系被提出用来通过对工艺参数的控制来实现定制显微组织。

(3)采用优化的参数进行SLM制造的 AlSi10Mg铝合金的机械性能，发现主要取决于能量密度，而不同的激光功率和扫描速度的组合将会导致微小的变化。得到的样品的机械性能的差别主要归因于不同的晶粒尺寸和亚晶粒显微组织的形貌的差异。其断裂样品的韧性尺寸同熔池区域中的亚晶粒结构的尺寸相关联，这一发现提供了部件的低裂纹扩展同弱的熔池边界相关联的证据。

图6

▲图解：拉伸测试样品的侧视图 (a) 和测试样品的断裂韧性 (b) 表明裂纹同熔池结构之间的关系；断裂形貌显示了对样品代号为E38和 E70的样品均具有典型的具有韧窝的韧性断裂。断裂韧性样品的裂纹扩展的EBSD照片和熔池采用虚线给予表示(c).


文章来源:Machine-learning assisted laser powder bed fusion process optimization for AlSi10Mg: New microstructure description indices and fracture mechanisms,https://doi.org/10.1016/j.actamat.2020.10.010,Acta Materialia，Volume 201, December 2020, Pages 316-328