来源：长三角G60激光联盟
导读：这篇综述主要解释了LPBF工艺的基本原理、几个相互关联参数的科学和技术进展、原料材料、生产性能/缺陷，以及数值模拟的见解，以虚拟地理解工艺行为。本文为第五部分。
6.2.孔隙度
由于LPBF采用金属粉末的完全熔化，因此会产生不稳定的熔池。此外，如果没有选择适当的参数，可能会产生许多缺陷，如孔隙度。LPBF工艺中形成的孔隙有三种类型：熔合孔、气孔和收缩孔。在激光能量密度不足的地方形成熔合孔。这一不足导致热渗透性差，并且已经熔化和凝固的层的顶层不能再熔化。这导致与新层的结合不良。因此，基本上，轨道重叠和浅穿透是其主要原因。低激光能量密度、低功率、高速度、大扫描空间和大层厚度驱动该缺陷。这些孔隙主要受工艺参数控制，并受沿层边界的部分或不完全熔化的影响。这些孔隙主要集中在以部分熔融为主的区域。
相反，在夹层之间具有良好相干结合的区域中，该孔隙率显著最小化。熔合孔也是粉末之间捕获的气体的结果。当这些气体逸出时，它们形成危险的扫描路径。随着过程的继续，随着空腔的形成，流体力与蒸汽压力平衡，导致液相坍塌并产生孔隙。
如果一个层出现严重的球化缺陷，则有很大的可能产生连锁反应，即在下一层中出现气孔和球化。这导致零件性能差和密度低。如果有足够的具有良好流动性的熔融金属，并且如果熔池的寿命更长且凝固速度较慢，则可以填充孔隙，并减少孔隙率。在氢的情况下，吸水率非常高，并且氢在铝液和固体中的溶解度水平不同。因此，为了检查氢孔隙率，在将铝粉用于应用之前，应充分干燥铝粉。粉末床的预热也有帮助，因为熔池中的氢溶解会导致严重的孔隙率。LPBFed Ti6-Al-4V顶层的孔隙如图36所示。
图36 （a）LPBFed Ti6-Al-4V顶层的孔隙，（b）开放孔隙的放大图像和（c）洞穴孔隙的放大图。
6.3.表面粗糙度
对于通过LPBF工艺生产的零件，表面光洁度问题一直备受关注。这也是AM过程中的一个大缺点。在各种AM工艺中，DED在表面光洁度方面表现最好，其次是LPBF，然后是EBM。据指出，造成表面粗糙度的主要原因是由于大气气体的存在和部分熔融粉末在零件表面的粘附而导致的氧化。与LPBF工艺一样，未使用的粉末从不离开工艺区域或始终留在粉末床本身中。这些颗粒仍有可能粘附到零件表面。由粘附在表面上的颗粒引起的粗糙度的平均大小几乎与粉末的直径相同。
由于熔池流动内部的表面张力梯度，在熔池中形成的小球被吸引到熔池的外周。然后边缘凝固，导致表面粗糙。因此，可以通过提供高能量密度、低速度下的高激光功率、低层厚度和不适当的图案填充间距来减少表面粗糙度。此外，大尺寸颗粒难以完全熔化，因此，生产的最终零件表面光洁度较低。
在500 cm/s的横向速度下，DLD期间熔池的温度等值线（a）-（b）：在XY（构建）平面中的形状相似，（c）-（d）：显示不同熔池深度的相应XZ（剖面）平面图。
6.4.裂纹和残余应力
在LPBF过程中可以识别出两种主要的裂纹。这些是冷裂纹和热裂纹。热裂纹也称为凝固裂纹，通常产生凝固过程的最后阶段。热裂纹主要是由于凝固过程中零件的固体结构变形而形成的。此外，液体区域中的对流不足可能会产生热裂纹。
结构应力是由于相变期间部分发生的体积膨胀而产生的。当零件内部的残余应力大于屈服应力时，零件发生变形或产生裂纹以释放应力。LPBF部分的开裂分为两部分：液化开裂和凝固开裂。沉积的层由于凝固收缩和热条件引起的循环而经历收缩。但是基底/衬底的温度或先前固化的层远低于新熔化的层。因此，新层的收缩比先前铺设的层大得多，并且该差异也倾向于阻碍该新层的压缩。这导致在凝固和开裂期间在新熔化层中形成应力。这是凝固开裂。液化开裂发生在部分熔化粉末的区域。在这些区域，快速加热导致某些晶粒熔化，特别是低熔点碳化物。当零件冷却时，产生拉力；在这些力作用下，熔化的碳化物充当裂纹萌生的位置。
（a–b）分别为3D印刷Zr基BMG的SEM-BSE显微照片的侧视图和俯视图，（b）中的插图显示了孔隙的分布；（c–d）腐蚀后的3D印刷锆基BMG的侧视图和俯视图，插图显示了熔池和热影响区。
6.5.合金元素的损失
挥发性金属，主要是Mg、Zn、Al等，由于温度非常高，极易从熔池蒸发。当激光与金属接触时，这些元素的高蒸气压和低沸点导致其蒸发。熔池的温度远高于元素的沸点。这些元素的蒸发改变了所生产零件的组成，并改变了机械性能。改变的性能主要是微观结构的强度、耐腐蚀性、蠕变和伸长率。
大部分蒸发是由于熔池过热而发生的。因此，在这种情况下，激光能量密度是一个重要因素。蒸发导致熔池的不稳定性和沉积层组成的变化。蒸发也在熔池内形成反冲压力。这种压力推开熔融区的液体，并导致一种称为“锁孔效应”的缺陷。蒸发还导致最终零件的密度降低，因为它增加了孔隙率。已经进行了不同的实验来观察某些元素的蒸发。在LPBF下处理TiAl样品，观察到显著的铝损失。Cu-4Sn的LPBFed部分由于蒸发而损失锡。这种蒸发会影响性能并增加熔体轨迹的不稳定性。但是可以控制蒸发和损失。通过监测熔池温度和激光能量密度，可以将其最小化。但是，由于低能量密度将减少元素的损失，它还将触发零件的不均匀性，并可能导致属性偏离所需的属性集。
6.6.氧化物夹杂物
氧化物的夹杂是不可避免的缺陷之一，它也会降低所生产零件的性能。如果在前一层上存在氧化物层，它可以与新沉积的层结合。由于键合受到氧化物层的影响，它们也有助于球化。坎贝尔指出，合金元素有助于在一次加工期间将氧化物引入熔池。已经观察到，向任何铝合金中添加某些元素，如Si或Mg，会改变形成的氧化物的性质。许多研究人员正在寻找对抗铝合金氧化的解决方案，因为铝对氧具有很大的亲和力，即使在低氧浓度下也会形成氧化物。
（a–b）分别从侧视图和俯视图对熔池周围的热应力场进行有限元模拟；（c）应力集中发生在熔池附近的孔隙中。
6.7.AM部件的鉴定
评估疲劳加载零件的“适用性”是一项基本挑战，它与制造过程中产生的微观结构和缺陷直接相关。微计算机断层扫描是探测地表附近或薄而复杂几何结构中的断层的最有效技术之一。已经讨论了在组件评估背景下使用极值统计分析X射线CT扫描测量的优点和限制。
本研究使用延时同步辐射X射线显微计算机断层扫描（SR-CT）跟踪LPBF制造的AlSi10Mg试样在250°C原位拉伸-拉伸循环载荷下（180-38000次循环）的整个疲劳寿命内的损伤累积。在联合循环疲劳环境下，Patriarca等人提供了一种确定设计应力和允许故障的概率方法。这些数据用于确定材料参数的平均值和变化，然后将其用于蒙特卡洛模拟，并基于目标失效可能性确定设计应力。本研究侧重于确定安全裕度，该安全裕量仅取决于影响机械部件损伤累积的元件的固有可变性。
7.数值建模、优化和机器学习技术
7.1.传热分析的控制方程
Shiva等人阐述了传热分析；一般而言，热输入在高斯分布下进行，并且还考虑了由于对流和辐射引起的损失。瞬态热分析必须确定基底上和粉末床上沉积材料的每个特定点的温度历史。
7.2.LPBF过程的数值模拟
AM带来了从设计开始到部件投入使用以及创新领域的工作方式的变化。AM通过降低成本和制造复杂部件，使许多行业发生了革命性的变化。在设计步骤中，设计师将获得市场上最新的软件。该软件可以预测使用特定参数构建的零件的特性和性能。它有助于减少成本和时间。但这种技术需要对任何零件的物理印刷过程中发生的所有物理现象有详细的了解。主要障碍是理解参数与输出特性之间的关系，输出特性因材料而异。LPBF采用逐层方法构建零件，并在其中熔化粉末以形成3D零件。现在可以肯定地说，这样复杂的过程永远不会完全没有缺陷。制造商面临的挑战是制造缺陷最小的产品，包括优化工艺参数。
研究人员正在开发优化工艺参数的新方法，如数值模拟。通过实际制造十几个零件并逐步改进来优化工艺参数的迭代需要大量的时间和资源。数值建模的主要优点是不需要任何物理产品制造来研究。因此，节省了时间、原材料和成本。基本模型之一是热机械模型，其中考虑了所有热历史和残余应力。众所周知，基于实验的优化是必要的，但数值建模为研究人员通过任何复杂工艺制造零件提供了一个稳定的开端。他们在早期阶段就洞察了该过程，现在可以优化该过程以获得最佳结果。
正如许多研究人员所研究的，LPBF过程中的热输入是影响输出产品特性的主要参数之一。然而，根据参数和目标，在不同的研究中注意到了一些变化。Tan等人在LPBF中使用了激光束，假设其高斯分布不对称。此外，对移动点高斯激光扫描进行建模，以了解经历LPBF的固体模型中的温度分布。在其他许多研究工作中，激光源按照高斯分布建模。在LPBF中，激光能量通过称为激光光斑的特定区域传输，并进行建模以复制激光中心和外围的热强度。
Luo等人指出，对LPBF进行的大部分建模工作使用移动高斯热源来建模熔池轮廓，很明显，这种模型需要大量时间和计算成本，不能用于较低的水平。为了减少计算时间和成本，提出了一种线热源，通过增加时间步长和减少单元数量来加速LPBF过程中的传热模拟。线热源代替移动的激光源。仿真结果表明，替换对开发没有任何更显著的影响，但可以大大减少计算时间。
(a) 3、(b) 4和(c) 5区域中部370 W、1300 mm/s的温度分布。
已经进行了大量研究，通过建模和仿真优化LPBF工艺。但由于过程的高度复杂性，在结果中总是存在一些差距。许多研究人员现在正在尝试不同的模拟方法，以尽可能提高精度。
LPBF的主要障碍之一是理解加工参数与最终零件性能之间的关系。因此，研究人员开发了过程模拟作为优化过程参数的迭代。控制方程是任何模拟工作的数学背景。不同的目标可能需要使用不同的模型。模型必须考虑过程对温度的依赖性。由于实际世界中的相似性，热机械和热流体模型在研究人员中很受欢迎。热源建模也非常重要。注意，激光的最大能量强度集中在激光的中心，并沿激光光斑的周边逐渐减小。因此，高斯分布模拟了中心具有最大强度的热源。大多数模型的解是使用有限元法提取的。许多研究人员选择有限元法作为求解热方程的主要方法。但任何模拟仅基于计算数字给出结果；因此，有必要用实验结果验证模拟结果。
7.3.预测LPBF工艺特性的机器学习方法
由于其能够制造复杂的几何零件，LPBF是最普遍的金属增材制造工艺。它背后有大量的学术研究和工业投资。尽管使用有限元分析对LPBF进行了广泛的数值模拟，但仍然需要进行过程监控，以确保可靠的零件制造并减少制造后质量评估。为了使LPBF过程高效，需要基于人工智能的机器学习和深度学习技术。图37显示了实现基于机器学习的预测模型的方法。
图37 顺序决策分析神经网络（SeDANN）示意图。上面所示的传感器数据和高度图属于以0.33的线性能量密度（EL）沉积的单个轨迹，即成球状态。从高温计中提取的统计概率分布特征用于第一级人工神经网络（ANN）中，以预测激光工艺参数（P和V），然后是从高速摄像机中提取的熔池特征，以预测更高层的平均宽度和标准偏差以及单道连续性。
本文研究了将ML纳入LPBF工艺链的多个阶段，从而提高质量控制的问题。ML可用于L-PBF之前的零件设计和文件准备。然后，机器学习技术可用于优化工艺参数并实时监控。最后，机器学习可以包括在后处理中。Okaro等人提出应用ML系统自动预测AM产品中的缺陷/缺陷。使用了半监督学习方法，该方法可以使用来自两个构建的数据，其中生成的组件被认证，并且在训练期间生成的组件的质量不确定。这使得该方法具有成本效益，尤其是当零件认证昂贵且耗时时。
Ogoke等人提出了深度强化学习，用于预测LPBF工艺的热特性和最小化缺陷的可能性，如图38所示。在熔化过程中，开发的控制算法改变激光器的速度或功率，以确保熔池的一致性，并最小化成型产品的过热。通过精确模拟不同激光路径下粉末床层的连续温度分布，对控制算法进行了训练和验证。
图38 深度强化学习框架。（a）在强化学习中，代理基于当前状态s和将每个状态映射到动作的策略π来选择动作。（b）对于模拟的前三个时间步，该状态由激光器位置附近的x-y、y-z和x-z平面中的域横截面表示。（c）策略网络是一个完全连接的神经网络，它接收状态的当前表示，并预测一个行动以最大化预期回报。策略网络被实现为两层多层感知器，具有双曲正切激活函数和每个隐藏层64个神经元。
Baumgartl等人提出了基于神经网络深度学习的模型和热成像离轴成像的集成模型组合，作为预测印刷缺陷和工艺监控（如熔池或离轴红外监控）的数据源。所提出的方法在预测分层和飞溅方面的准确率为96.80%。此外，该模型非常小，计算成本低，即使在功能较弱的硬件上也适合实时操作。大多数缺陷，如键孔、气孔和成球，都发生在熔池本身的尺寸和时间尺度上。对此类缺陷的监控至关重要。Scime和Beuth提出了一种深度学习方法，该方法提出了现场检测此类重要缺陷的可能性。使用固定视场的高速可见光相机研究了Inconel 718材料系统中LPBF熔池的形态。
Sanchez等人利用ML的潜力建立了工艺、结构和性能之间的关系，以预测LPBF工艺生产的78个合金基零件的蠕变率。使用包括LPBF工艺参数和从图像分析技术获得的材料几何特征（孔隙率图像）的输入数据来训练ML算法。该模型显著且准确地预测了LPBF的最小蠕变率，高达98.60%。Zhang等人开发了一种混合机器学习模型，用于预测LPBF工艺的可制造性评估。在设计方面，使用基于体素的卷积神经网络（CNN）模型，在工艺方面，使用神经网络（NN）模型。然后，将这两个模型集成在一起，以预测所选LPBF工艺参数下的体系结构的可制造性。
较大的“pancake”缺陷的等效椭球模型:(a)椭球模型的坐标系为:z，对应试样的轴向加载方向;A、b、c分别为椭球的三个主半轴(代表缺陷);椭球c轴相对于试件加载方向的角θ;(b)缺陷在不同取向角下的空间构型。
Peng等人使用ML的能力来预测LPBF处理的AlSi10Mg合金的疲劳寿命。发现极端梯度增强模型能够准确预测疲劳寿命。这些变量在限制疲劳寿命中的重要性按上述顺序进行评级。该模型预测了不同的样品寿命，这意味着微观结构起到了适度的作用。当平行于施工方向进行测试时，发现断裂面上的缺陷的巨大投影面积是观察到的寿命缩短的主要原因。更通用的双变量村上模型充分预测了疲劳寿命，而ML模型验证了经验相关性的经验模型更接近预期。
Zhang等人使用基于神经模糊的机器学习方法预测LPBF处理的316L不锈钢的高周疲劳寿命。创建了一个训练数据集，其中包含经受不同处理条件、后处理和循环载荷的样本的疲劳寿命数据，以模拟复杂的非线性输入-输出环境。Bao等人利用ML技术的潜力来确定缺陷位置、尺寸和形态对LPBF处理部件疲劳性能的影响。使用特征化技术识别导致高周疲劳失效的关键和重要缺陷，并使用支持向量机（SVM）作为训练的输入数据。选择具有测试数据的网格搜索策略来拟合模型参数，以加快优化过程。Moon等人建立了Ti-6Al-4V合金基试样疲劳性能的表面粗糙度和孔隙特征之间的关系。这些数据进一步用于训练用于预测部件疲劳寿命的机器学习模型。Hassanin等人提出了一种深度学习神经网络（DLNN）模型，用于合理化和预测LPBF处理的Ti-6Al-2Sn-4Zr-6Mo合金的致密化和硬度。开发了工艺参数和输出特性之间的关系，并将其用作训练DLNN模型的输入数据。创建的模型经过验证并用于创建流程图。训练的深度学习神经网络模型具有最高的精度，孔隙度和硬度的平均百分比误差分别为3%和0.2%。根据研究结果，深度学习神经网络被发现是从微小数据集预测材料质量的有效技术。
所有缺陷沿V-HCF和H-HCF试样的加载方向投射到平面上，其中伪色编码仅用于提高清晰度。
8.总结
增材制造是工业和学术领域中普遍存在的话题。本综述涉及对LPBF工艺的理解和最近的升级。LPBF已成为一种适用于多种金属及其合金的通用方法，因此受到了广泛关注。对LPBF过程进行了全面审查，并出现了一些关键点，这些关键点非常重要。还讨论了各种工艺参数的重要性，以最小化最终产品中的缺陷。
•对于任何材料上的LPBF工艺应用，为了在LPBFed零件上实现尽可能高的密度和所需的机械性能，最重要的是精确监控工艺参数。
•金属/合金暴露于LPBF工艺已经解决了与传统制造工艺相关的许多问题。LPBFed样品所继承的特性表明，LPBF可以生产出性能优于常规方法生产的样品。
•金属的致密化行为主要受激光能量密度变化的影响，激光能量密度的变化由若干其他工艺参数控制和改变。致密化可以直接与由于工艺参数的变化引起的激光能量密度的变化相关。
•在LPBF中，粉末粒度和分布的影响被认为不太重要，因为所有颗粒都经历完全熔化。与发生部分熔化的SLS不同，粉末参数对零件致密化的贡献可以忽略不计。
•通过选择性激光熔化加工的零件的微观结构特征受到其热历史的强烈影响，包括加热和冷却速率的变化、温度梯度、温度升高等。生产后处理方法对于细化微观结构非常重要，标准工艺包括退火和热机械加工。
•热历史，主要是凝固速率、冷却速率和热梯度，也决定了LPBFed零件的机械性能。大多数机械性能归因于晶粒微观结构的细化，因此取决于热历史。
•由于完全熔化是LPBF的一个重要特征，该工艺极易发生熔池不稳定。如果工艺参数选择不当，这也可能导致微观结构缺陷。所有缺陷都会对零件的性能产生不利影响。此外，较大的粉末颗粒难以熔化。因此，当使用较粗和较大的粉末进行LPBF时，观察到表面光洁度较差。
•决定缺陷的一个关键因素是与层数增加相关的“阶梯”效应：缺陷，特别是表面粗糙度，随着层厚度的增加而增加。因此，我们的想法是平衡表面粗糙度和产品成型时间之间的平衡。
•基于人工智能的机器学习和深度学习技术用于过程监控、预测产品质量和优化过程控制。
来源：Laser Powder Bed Fusion: A State-of-the-Art Review of the Technology, Materials, Properties & Defects, and Numerical Modelling, Journal of Materials Research and Technology, doi.org/10.1016/j.jmrt.2022.07.121
来源：Beese, A. Wilson-Heid, A. De, W. Zhang, Additive manufacturing of metallic components – Process, structure and properties, Progress in Materials Science, 92 (2018), pp. 112-224, 10.1016/j.pmatsci.2017.10.001
| 
京公网安备11010802043351