机器学习辅助合金LPBF成形工艺优化与力学性能操控

供稿人：蔡江龙、张航 供稿单位：西安交通大学机械制造系统工程国家重点实验室
来源：中国机械工程学会增材制造技术（3D打印）分会

激光粉末床熔融（laser powder bed fusion, LPBF）金属增材制造技术已成熟应用于传统加工方式无法实现的零件制造。但由于不同合金LPBF成形时涉及复杂的物理和化学过程以及显微组织-性能对应关系，确定优化的LPBF加工参数通常依赖于昂贵的试错过程和大量的实验。经验激光能量密度估算、熔池结构分析和高保真计算建模等合理的方法被应LPBF工艺优化。但这些LPBF工艺优化策略通常不具有普适性，并且存在工艺窗口狭窄的问题。因此制定可靠的加工参数优化方法是LPBF技术进一步发展和特定性能材料相关设计的主要途径。

随着大数据时代的到来，机器学习和深度学习不断应用于各行各业。2020年10月澳大利亚新南威尔士大学机械与制造工程学院提出了一种基于高斯过程回归的机器学习方法来确定LPBF的最佳加工窗口。如图1所示，使用这种方法，发现了一个新的和更大的LPBF工艺优化窗口，得到了更高致密度的AlSi10Mg样品。新确定的优化加工参数使以前无法实现的高强度和延展性的组合成为可能。工艺参数直接决定材料的微观结构（晶粒结构、亚晶粒尺寸以及晶界形貌等），细微的结构差异导致材料力学性能的显著波动。因此该研究建立的方法可以很容易地应用于合金LPBF工艺优化和力学性能操控。

图1 机器学习辅助AlSi10Mg合金LPBF成形工艺优化以及力学性能操控

LPBF技术工艺参数众多，通过传统方法优化的工艺参数单一，无法体现不同工艺参数对材料微观组织结构的影响以及和力学性能的关系。通过将机器学习将工艺-组织-性能联系起来，充分实现合金的一体化制造和性能调控。机器学习成为新材料LPBF工艺开发以及同种合金不同性能操控行之有效的方法，为LPBF技术带来更多应用前景。

参考文献：
Q. Liu, H. Wu, M.J. Paul, P. He, Z. Peng, B. Gludovatz, J.J. Kruzic, C.H. Wang, X. Li, Machine-learning assisted laser powder bed fusion process optimization for AlSi10Mg: New microstructure description indices and fracture mechanisms, Acta Materialia 201 (2020) 316-328. https://doi.org/10.1016/j.actamat.2020.10.010