来源：长三角G60激光联盟
导读：本文为利用领域特定知识、尖端机器和深度学习技术预测机械性能时空演变的革命性方法提供了具体基础。
金属增材制造在几何形状和部件设计方面提供了显著的灵活性，但局部加热/冷却不均匀性导致竣工机械性能的空间变化，使材料设计过程显著复杂化。为此，我们开发了一个集成小波变换和卷积神经网络的机械数据驱动框架，以基于工艺诱导温度序列（即热历史）预测装配零件的位置相关机械性能。该框架使多分辨率分析和重要性分析能够揭示增材制造过程的主要机械特性，例如临界温度范围和基本热频率。将所开发的方法与其他机器学习方法进行了比较。结果表明，所开发的方法在使用少量噪声实验数据的情况下取得了相当好的预测能力。它为利用领域特定知识、尖端机器和深度学习技术预测机械性能时空演变的革命性方法提供了具体基础。
介绍
增材制造（AM），有时也称为3D打印，是一种快速发展的先进制造模式，在生产具有复杂几何形状的金属或非金属零件方面具有无与伦比的灵活性。然而，工艺的性质会产生位置相关的微观结构、残余应力和机械性能，从而使打印工艺设计、零件鉴定和制造认证变得复杂。金属增材制造，如激光粉末床熔炼（L-PBF）和定向能量沉积（DED），大多数相关物理过程发生在熔池附近。该区域是激光熔化合金粉末原料材料，然后凝固，冷却速度高达107 K/s。
激光快速加热金属，导致局部熔化和汽化。熔池表面延伸到移动激光的后面，产生较大的热梯度，表面张力也会发生相应的变化，这可能会通过Marangoni效应在熔池内产生湍流。在快速凝固过程中，合金成分微偏析的枝晶生长会产生非平衡相和各向异性晶粒形态，严重影响局部成分的性质和性能。这些多尺度和多物理现象涉及大量工艺参数和材料特性的相互作用和依赖关系，从而导致复杂的工艺结构特性（PSP）关系。
显示表面温度变化的时间快照。激光扫描速度为1.5 m/s，以200 W的功率向右移动。液体熔池限制在有色区域内（T>1700 K）。表面熔体在229μs左右达到稳定状态。激光产生拓扑凹陷，这是向前和侧向飞溅的位置，也有助于剥蚀过程。激光器在585μs时关闭。后来，凹陷塌陷在地表下形成了一个圈闭的孔隙。
近年来，许多研究人员探索了AM和其他制造过程的数据驱动方法和机器学习。Popova等人开发了一种数据驱动替代模型，将过程参数与AM过程固有的复杂晶粒结构相关联。Du等人开发了一种决策树和贝叶斯神经网络，用于分类搅拌摩擦焊接中孔隙形成的条件。Li等人从有限元模拟和热成像数据中提出了基于函数高斯过程的替代模型，用于温度场预测。Zhang等使用神经网络表示粉末铺展参数之间的非线性关系。Gan等人使用自组织映射（SOM）可视化实验和模拟生成的高维数据集。可以从SOM中获得确定所需机械性能的优化工艺参数。Lu等人为AM热流体分析创建了一个自适应降阶模型。最近，Wang等人提出了一个基于高通量AM模拟和AM基准实验的数据驱动框架。一些作者专注于AM过程中缺陷识别的实时模型。Scime和Beuth等人结合计算机视觉技术和无监督机器学习，根据可见光高速相机拍摄的现场熔池图像识别缺陷形成。Zhang等人设计了一个卷积神经网络（CNN）模型，用于识别熔池图像中的模式，以预测孔隙度。
阐明工艺条件（如工艺参数和温度历史）对最终机械性能的影响是先进制造和材料科学的中心目标。传统上，在金属增材制造中，一些与热相关的因素，如凝固冷却速度和固体冷却速度，是根据热历史的局部导数计算的。这些冷却速率用于关联和预测微观结构和力学性能。然而，这些任意提取的因子会丢失复杂热历史中涉及的大部分信息。机器学习算法允许我们使用和操纵整个热历史进行回归，并纯粹从数据中揭示主要的热相关特征。
圆偏振光分子框架中Ne2的光电子动量分布。
在本研究中，我们对基于位置相关的热历史预测竣工附加制造零件的机械性能分布进行了系统研究。该研究包括几个部分，如图1所示。红外（IR）热像测量是对使用DED AM工艺制造的多个薄壁零件进行的。来自135个感兴趣区域（ROI）的时间-温度热成像数据（即热历史）被转换为基于小波的标量图，这些标量图与DED处理动力学有关。然后，CNN将小波尺度图映射到力学性能。我们将这种使用带有小波变换的CNN的机械数据驱动方法称为WT_CNN。从微型拉伸试样获得的机械性能，标距区域名义上与135个ROI对齐。然后，该训练模型用于预测整个DED预制薄壁的其他空间位置（每面墙5000个）的机械性能，其中未获得拉伸试样，但获得了红外热像数据。这是本研究的路径1，即预测关系，如图1所示。相关的机械性能包括极限抗拉强度（UTS）、屈服强度和伸长率。值得注意的是，由于断裂和损伤力学的复杂性，使用基于物理的模型预测UTS仍然具有挑战性。路径2，即重要性分析，如图1所示。然后，将所提出的方法与机器学习方法进行比较，以确认其有效性，前提是模型训练的实验数据有少量噪声。
图1 提议的机械数据驱动框架示意图。
结果
热历史和机械性能之间的预测关系
本文提出了一种数据驱动的监督学习方法，用于捕获局部热历史和UTS等竣工机械性能之间的复杂非线性映射。通过红外原位测量提取了12组增材制造的薄壁的热历史。为了提取热历史的机械意义，并在给定少量噪声数据的情况下提高模型的预测能力，我们使用小波变换将高维热历史转换为时频标度图。CNN用于捕获过程诱导的小波标量图与最终建成的力学性能（如UTS）之间的复杂关系。“卷积神经网络”一节提供了CNN的结构和训练细节。该映射假定特定空间位置的附加制造材料的竣工机械性能高度依赖于该位置的工艺诱导热历史。这一假设是合理的，因为许多研究人员报告称，与热相关的因素，例如凝固或固态相变期间的冷却速度，会显著影响微观结构和由此产生的机械性能。
先进光子源32-ID-B束线激光粉末床熔合过程的高速X射线成像和衍射实验示意图。
为了清楚地描述我们的方法和结果，我们定义/描述了以下重要术语：
预制薄壁：通过单轨和多层工艺制造的DED制造零件。
热历史：特定热测量位置不同时间的温度序列。
热测量位置：在薄壁上提取热历史的位置。
一组热历史：薄壁的热历史的集合。
感兴趣区域（ROI）：薄壁的预定区域。拉伸试样的标距区域名义上与ROI对齐。
拉伸试样：用于机械拉伸试验的试样。
数据点：从热测量位置提取的热历史和相应的机械性能。数据点的集合构建了用于模型训练的数据集。
图像：一个小波尺度图，它是CNN模型的输入。
训练了五个用于UTS预测的CNN模型，以减少模型预测的方差。预测的平均值用作最终预测，而标准偏差用于分析预测的方差。
一旦对五个UTS的CNN模型进行了训练和测试，就可以使用不同热测量位置的5000个热历史作为训练模型的输入，以预测每个薄壁的2D UTS图。提供了提取5000个热历史的详细信息。图2显示了通过平均五个CNN输出，预测的三种工艺条件的UTS图。左边的三张UTS图表示CNN模型的原始平均输出，右边的三张图是相关的局部平均结果，用于清楚地显示UTS分布的空间变化。第一行中的两张图与AM过程相关，无需故意停留过程和熔池控制。第二行的两个映射与带有5s的AM进程相关联 层间停留时间，但无熔池控制。第三行图与无停留时间但具有熔池控制的AM过程相关。CNN预测的UTS（黑色）和ROI的实验值（红色）也标记在图2中。与实验测量值相比，所提出的数据驱动方法可以很好地预测UTS。更多的定量比较将在“与经典机器学习方法的比较”部分进行。
图2 三种工艺条件的预测UTS图。
工艺条件包括120 mm壁无任何停留时间和熔池控制、120 mm壁有5 s停留时间和120 mm壁带熔池控制。CNN输出（黑色）和实验值（红色）也被标记。
模型预测的统计分析有助于分析和说明数据驱动模型中的不确定性。图3显示了三个竣工薄壁的标准偏差分布。左侧的三个子图是三种工艺条件下标准偏差（MPa）的位置相关图。右侧的子图是相应的统计分布。与4号壁（无停留时间和熔池控制）和10号壁（有熔池控制的）相比，7号壁（停留时间为5秒）的标准偏差更高。墙两侧的标准偏差高于中心的标准偏差，因为大多数标记的热历史（即训练数据）位于墙的中心。
图3 三种工艺条件下预测UTS的标准偏差。
所提出的数据驱动模型是灵活的，可以通过改变标记输出，轻松扩展以预测其他机械性能。图4显示了机械性能的相关矩阵。UTS与屈服应力和破坏应力呈正相关，与伸长率呈负相关。这些结果与材料科学中的强度-延性权衡相一致，即大多数提高强度的冶金机制都会导致延性损失。机械性能的相关矩阵有助于量化强度-延性权衡，这有助于高性能附加材料的设计。
图4 机械性能的相关矩阵。
热历史小波变换的机理分析
特征工程是通过对实验温度时间历程（即热历史）应用小波分析来实现的。“小波变换”部分给出了该技术的详细信息。小波变换的时频图（即小波尺度图）可以揭示潜在的机械信息。图5给出了一个例子，其中我们考虑了没有停留时间的墙，并使用小波变换将不同热测量位置的时间-温度历史转换为时间-频率图（小波标量图）。热历史随墙壁上热测量位置的不同而变化。
图5 没有停留时间的薄壁上的热历史和相应的小波尺度图。
图6中也观察到类似的趋势，其中过程有5 s停留时间。为了进行公平比较，我们考虑了两个热测量位置，其位置与前面的情况相同。据观察，对于5 s驻留时间，来自扫描速度的基频保持不变。然而，总的来说，高频信号的特征已经增加。可以观察到更高频率信号的一般趋势。与两个位置的无停留时间情况相比，SCT较小。因此，UTS值较高。由于驻留时间，时间-温度历史中的所有峰谷都非常发育。这表现在小波图的高频特征上。
图6 5 s停留时间薄壁上的热历史和相应的小波尺度图。
图7显示了有熔池控制和无熔池控制的小波变换的比较。图7a–c中的结果用于无熔池控制，图7d–f中的结果则用于熔池控制。从这两种情况的时间-温度历史可以明显看出，当应用熔池控制时，热历史具有波动性。这些波动来自激光功率的不断调整。这些调整反映在小波变换中，因为在控制熔池时可以观察到更多的频率特征。与其他情况一样，这里也存在基频。控制激光功率的结果转化为机械性能的局部变化，如UTS。由于需要非常高的数据分辨率，因此很难通过直接使用机器学习模型输入的时间-温度历史来捕捉这些细微差别。小波变换的时频图具有多个时间尺度的可用信息。
图7 小波变换捕捉热历史性质的能力。
热特性对机械性能的重要性
为了确定温度范围对UTS等特定机械性能的相对重要性，我们将每个高维热历史简化为一个低维矢量。矢量的每个分量表示材料点在大约50.88 °C的特定温度范围内花费的时间间隔。使用RF方法将低维矢量表示的热历史映射到相关UTS，该方法本质上支持重要性分析。
图8显示了计算得到的温度区间对UTS的相对重要性。每个统计条表示x轴上的值与该值+ 50.88°C之间的温度范围的相对重要性。所有相对重要的值的和等于1。我们的分析确定了两个主要温度范围:1212.99-1365.35°C和654.32-857.47°C。第一个温度范围非常接近研究中所用材料(Inconel 718)的固相线和液相线温度，即1260-1336°C。扫描电子显微镜(SEM)从三种不同的薄壁中提取的结果如图9所示。对应的t1314.56，测得的一次枝晶臂间距(PDAS)和UTS列在图的底部。由于t1314.56所示的温度范围(即1314.56-1365.35℃)接近材料凝固温度范围(即1260-1336℃)，图9a中t1314.56越低意味着凝固冷却速率越高。较高的凝固冷却速率导致更小的PDAS和更高的UTS，这与许多其他报道的实验数据一致。
图8 UTS温度区间的相对重要性谱。 图9 使用扫描电子显微镜（SEM）观察树枝晶尺度的微观结构。
在本研究中，重要的温度范围纯粹是从实验数据中确定的，而不需要事先了解工艺条件或控制方程。确定的主要温度范围将有助于工艺结构特性量化和材料设计。本研究证明了一种新的可能性，即通过利用机器学习发现工艺条件的主要特征，并量化其对机械性能的影响。它不仅可以应用于添加剂制造，还可以应用于更广泛的先进制造和材料设计领域。
与经典机器学习方法的比较
将所提出的WT_CNN模型与几种经典的机器学习方法进行了比较。我们确认，鉴于少量不确定性实验数据，本文提出的方法具有最佳预测能力。图10显示了基于四个指标的比较：决定系数（R2）、均方误差（MSE）、平均相对误差（MRE）和平均绝对误差（MAE）。通过使用相同的训练、验证和测试集对十个候选模型进行比较，如图10所示。红线表示每个子图中测试集的度量值，因为它显示了每个模型的预测性能。误差条显示了基于五个经过训练的模型的每个指标的标准偏差，这些模型来自5倍交叉验证。与其他模型相比，所提出的WT_CNN方法获得了最高的R2分数（0.7）和最低的误差，包括MSE、MRE和MAE，这表明在给定如此少量的可用数据的情况下，所提出方法具有很强的预测能力。
图10 十个候选模型与四个指标的比较。
R2的值不接近1，因为有噪声的实验数据和模型中的不确定性。实验数据点也作了标记以进行比较。结果清楚地显示了实验测量UTS的不确定度。贝叶斯方法可以近似估计不确定性的范围，这对模型的剖分和评估很有用。
讨论
先前的研究人员已经探索了用于金属添加剂制造的机器学习，但尚未研究使用基本红外热历史测量预测竣工机械性能的机器和深度学习。预测零件内的机械性能变化，以评估最薄弱的位置，并提高增材制造材料的最终性能，这是很有价值的。我们还证明，可以使用数据驱动方法提取有意义的机械特征，如临界温度范围或临界频率。这为确定新材料系统的主要工艺条件提供了另一种方法。
通过选择性激光熔炼进行金属合金的增材制造。
该方法嵌入了用于机械特征提取的热历史的多分辨率分析，可以减少训练所需的数据量，从而获得相当好的性能。使用数据驱动方法进行预测的挑战包括热历史和机械特性中的数据不确定性、过拟合风险以及非最优学习模型和参数。本研究证明了将热图像的红外测量值作为监督学习的输入，这不仅为从工艺诱导热历史预测机械性能提供了坚实的基础，也为增材制造过程中微观结构和机械性能的实时控制提供了坚实基础。
与其他机器学习方法相比，我们提供了WT_CNN模型性能更好的两个原因。（1）小波变换从高维热历史数据中提取多尺度时频信息。小波尺度图清楚地显示了与时间相关的频率，这是增材制造中固有的机械特性。这些频率代表AM过程的多尺度性质。值得注意的是，薄壁制造的时间尺度约为103秒，单层制造的时间跨度约为10秒，而熔池动力学的时间尺度为103到1s。（2）CNN模型是一个强大的模型，它可以通过卷积的层次结构从小波尺度图中捕获局部和全局频率关系。通过定制架构设计和超参数训练策略，性能也得到了改善。图3显示，由于使用各种CNN而导致的模型不确定性可能导致预测UTS值的变化小于5%。
未来的工作可能包括（1）对机械数据驱动模型进行严格的不确定性量化（2）使用计算热历史作为输入。不确定性量化提供了预测的置信度，对决策有价值。利用提议的数据驱动方法和高保真模拟，可以预测空间和时间机械特性。该方法提供了一个机械的数据驱动框架，作为物理AM过程的数字孪生体。它将通过避免爱迪生式的反复试验方法，大大加快AM工艺优化和可打印材料的发现。
来源：Mechanistic data-driven prediction of as-built mechanical properties in metal additive manufacturing, npj computational materials, doi.org/10.1038/s41524-021-00555-z
参考文献：Additive manufacturing of metallic components–process, structure and properties. Prog. Mater. Sci. 92, 112–224 (2018).
| 
京公网安备11010802043351